一类纵向数据半参数模型估计的收敛速度

本文研究了一类纵向数据半参数模型参数和回归函数的估计问题.利用最小二乘法和一般的非参数权函数方法,获得了参数估计量的强收敛速度和回归函数估计量的一致收敛速度,推广了文献[4]的相应结果.     

纵向数据下半参数回归模型估计的渐近性质

本文考虑纵向数据下半参数回归模型: $y_{ij}=x_{ij}'\beta+g(t_{ij})+e_ij},\;i=1,\cdots,m,\;j=1,\cdots,n_i$. 基于最小二乘法和一般的非参数权函数方法给出了模型中参数$\beta$和回归函数$g(\cdot)$的估计, 并在适当条件下证明了$\beta$估计量的渐近正态性和$g(\cdot)$估计量的最优收敛速度\bd 模拟结果表明我们的估计方法在有限样本情形有良好的效果     

半参数回归模型参数估计的收敛速度

没有半参数回归模型Y=X’β g(T) e,其中(X,T)为取值于R~p×[0,1]上的随机向量,β为p维未知参数向量,g是定义在[0,1]上的未知函.e为随机误差,Ee=0,Ee~2=σ~2>0,且(X,T)与σ独立.参数β和σ~2的估计量(?)_n和(?)_n~2通常可利用非参数的权函数估计法与参数的最小二乘方法的结合得到.本文对核函数的情形得到了(?)_n和(?)_n~2的精确的收敛速度——重对数律.所施条件则与证明(?)_n和(?)_n~2的渐近正态性时施加的条件一致.又本文的证明方法对一般的权函数也适用.     

纵向数据下半参数回归模型的统计分析

对于纵向数据下半参数回归模型,基于广义估计方程和一般权函数方法构造了模型中参数分量和非参数分量的估计.在适当的条件下证明了参数估计量具有渐近正态性,并得到了非参数回归函数估计量的最优收敛速度.通过模拟研究说明了所提出的估计量在有限样本下的精确性.     

半参数回归模型小波估计的弱收敛速度

本文研究了误差为鞅差序列情形下的半参数回归模型.利用小波方法,在相当一般的条件下,得到了参数、非参数估计量的弱收敛速度.     

半参数回归模型非参数分量L1模估计的最优收敛速度

对半参数回归模型，采用分段多项式逼近非参数函数，构造了参数与非参数分量Ｌ１模糊估计，并获得了非参数分量Ｌ１模估计的最优估计收敛速度为Ｏｐ（ｎ＾－ｍ＋ｒ／［２（ｍ＋ｒ）＋１］）。     

纵向数据半参数回归模型的最小二乘局部线性估计

本文考虑纵向数据半参数回归模型:Yij=XiTjβ+g(Tij)+iεj,基于最小二乘法和局部线性拟合的方法建立了模型中参数分量β,回归函数g(.)和误差方差σ2的估计,在适当条件下给出了估计量的相合性,通过模拟研究说明了该方法在有限样本情况下具有良好的性质。     

纵向数据半参数回归模型的估计方法

本文考虑纵向数据半参数回归模型,通过考虑纵向数据的协方差结构,基于Profile最小二乘法和局部线性拟合的方法建立了模型中参数分量、回归函数和误差方差的估计量,来提高估计的有效性,在适当条件下给出了这些估计量的相合性.并通过模拟研究将该方法与最小二乘局部线性拟合估计方法进行了比较,表明了Profile最小二乘局部线性拟合方法在有限样本情况下具有良好的性质.     

固定设计下半参数回归模型参数估计的收敛速度

考虑固定设计下的半参数回归模型：yi=xiβ＋g（ti）＋ei，i=1，…，n．其中{ei}为随机误差，且Ee1=0，Ee12=σ2＞0，对利用通常采用的非参数权函数法结合最小二乘法得到的参数β和σ2的估计量和，本文在适当条件下得到了和的精确的收敛速度-重对数律．     

一类纵向数据半参数模型中的强相合估计

本文考虑如下纵向数据半参数回归模型:y_(ij)=x′_(ij)β+g(x_(ij))+e_(ij).结合最小二乘法和非参数权函数估计方法得到模型中参数β,回归函数g(·)的估计,并在适当条件下证明了估计量的强相合性.     

半参数回归模型研究综述

本文总结了国内外学者对半参数回归模型研究的贡献,理清了对该模型理论研究演进的方向和脉络.     

Convergence Rates of Wavelet Estimators in Semiparametric Regression Models Under NA Samples

Consider the following heteroscedastic semiparametric regression model:yi =XTiβ + g(ti) + σiei, 1 ＜ i ≤ n,where {Xi,1 ＜ i ＜ n} are random design points,errors {ei,1 ＜ i ＜ n} are negatively associated (...     

污染数据半参数回归模型估计的渐近正态性

考虑半参数回归模型：ｙｉ＝ ｘｉβ＋ ｇ（ｔｉ）＋ ｅｉ,ｉ＝ １,２,…,ｎ．其中 Ｅｅｉ＝ ０, Ｅｅ２ｉ＝ σ２１ ＞ ０．假定ｙ１,ｙ２,…,ｙｎ 受到另一独立同分布随机变量序列 μ１,μ２,…,μｎ 的污染,｛μｉ｝与｛ｙｉ｝独立,且仅能观察到污染数据．文［１］对由污染数据作出的参数 β的估计 βｎ,证明了它的强相合性,而本文则证明了它的渐近正态性     

固定设计下一类半参数回归模型估计的强相合性

In this paper, we consider the following semiparametric regression model under fixed design: yi=xi1β g(xi) ei. The estimators ofβ, g(·) andσ2 are obtained by using the least squares and usual nonparametric weight function method and their strong consistency is proved under the suitable conditions.     

半参数回归模型拟极大似然估计的渐近分布

用拟极大似然估计方法研究了误差为AR(1)时间序列的半参数回归模型,得到了参数及非参数的拟极大似然估计量,并研究了它们的渐近分布.     

随机删失半参数回归模型小波估计的渐近性质

考虑半参数回归模型Y_i=X_iβ g(T_i) e_i,i=1,2,…,n,β∈R为未知回归参数,g(·)为[0,1]上的未知Borel函数。在完全和右删失数据下,本文利用小波光滑方法并综合最小二乘法,就删失分布已知和未知的情形分别定义了β,g(T)的小波估计(?),(?)(T),在一定条件下,证明了(?)的渐近正态性,同时得到了(?)(T)的最优收敛速度。