多元线性模型回归系数的有偏估计与均方误差的无偏估计

本文对多元线性模型回归系数的最小二乘估计的任一线性变换，给出了均方误差的一个无偏估计，并应用统一方法，即极小化均方误差的无偏估计的方法，对岭估计和广义岭估计给出了确定偏参数的公式。最后给出了一个实例。     

反射系数的线性最小均方误差估计

从地震记录信号中获取反射系数对岩性分析和寻找储油(气)地层构造是非常重要的,本文对非白噪型反射系数的反褶积模型方法进行了探讨,给出了一个获取反射系数的估计方法.     

线性过程误差下概率密度函数核估计的均方相合性

设{Xt,t≥1}为一单边线性平稳过程序列,具有共同的未知密度函数f(x),本文定义通常的f(x)的核估计,在适当条件下,证明了其均方相合性.     

统计模型中均方误差的区间估计

本文研究了线性统计模型（Ⅰ）与（Ⅱ）中参数β月的估计量β的均方误差ＭＳＥ（β），分别给出了其１—ａ置信区间．     

2SUR回归模型系数估计的均方误差比较

对于2SUR回归模型的参数估计问题,给出了一些一航均方误差矩阵比较结果,据此提出了一类线性估计和一类基于离差阵广义非限定估计的非线性两步估计,并获得了该两步估计类的一些有限样本性质。     

随机系统均方稳定性的一个注记

本文研究随机定常系统dx=Fxdt GxdW的稳定性，给出了该方程均方稳定性的几个充分必要条件，最后给出了所得结果的两个应用。     

增加试验数据对岭估计的均方误差的影响

在线性模型中,对于回归系数的岭估计和广义岭估计,本文给出了选择岭参数的条件,在此条件下,岭估计和广义岭估计不仅能改善LS估计,而且增加试验数据时,它们的均方误差都会减少。同时,本文将增加试验数据换成增加附加信息,从而讨论了附加信息对混合岭估计和混合广义岭估计的影响问题。     

统计模型中均方误差的区间估计

本文研究了带线性约束条件的线性统计模型（Ⅰ）与（Ⅱ）中参数β的估计量βＨ的均方误差ＭＳＥ（βＨ）,并分别给出了其１—ａ置信区间．     

随机右删失下回归函数的正态逼近

在随机右删失下，我们考虑了模型Yi=g(xi) εi，1≤i≤n．当εi's不服从正态分布时。我们构造了g(x)的估计式gn^(x)，并且利用强逼近的结论，导出了gn^(x)-Eg^n(x)的正态逼近结果，得到了较快的收敛速度。     

删失数据下回归函数的最近邻估计

设（X，Y）是一随机向量且变量Y的均值存在．假定Y被另一分布G的随机变量t删失，仅能观察到不完全数据（xi，Yi^ti,δi），i＝1，2，…n，其中Yi^ti＝min（Yi，Ti）,δi=I（Yi≤ti）。为了给出回归函数m（x）＝E（Y|X）的估计。文中使用了Stute提出的最近邻型回归估计，并给出了该估计的强相合性结果．     

强混合样本下最近邻密度估计的渐近正态性

研究了α-混合样本下最近邻密度估计的渐近性质,证明了估计的渐近正态性并且给出了其渐近方差的显式表达式,由此构造了α-混合样本下概率密度的渐近置信区间.     

随机删失数据下核密度估计的Berry-Esseen界

本文在随机删失数据下研究了概率密度函数的核估计,获得了此核估计的一个Berry－Esseen界.     

随机删失下回归函数最近邻估计的强收敛速度

针对随机右删失数据, 就截尾时间变量的分布已知和未知两种情况, 构造了一类非参数回归函数的最近邻估计, 在适当的条件下得到估计量的强收敛速度.     

概率密度的均匀核估计与近邻估计的均方误差

In this paper we consider the Mean Square Error (MSE) of two uaual estimates of density function f(x) at a point x: The uniform kernel estimate f_n(x) and the NN estimate fn(x). we- show that when f is differentiable for sufficiently high order at x. these MSE can be expanded in a form E(f_n(x)-f(x))²=A₁(x)n^-4/5 +A₂(x)n^-1+A₃(x)n^-6/5+…;E(f_n(x)-f(x))²=B₁(x)n^-4/5 +B₂(x)n^-1+B₃(x)n^-6/5+… And if we suitably choose the parameters in f_n and f_n to make A₁(x) and B₁(x)to assume its minimunm value, then we also, have A₂(x) =B₂(x) but A₃(X) differs form B₃(X). This result shows that while the two estimates are not identical with respect to MSE. each one can be superior to the other in various special cases.     

Transient Nearest Neighbor Random Walk on the Line

We prove strong theorems for the local time at infinity of a nearest neighbor transient random walk. First, laws of the iterated logarithm are given for the large values of the local time. Then we investigate the length of intervals over which the walk runs through (always from left to right) without ever returning.     

最近邻密度估计的一致收敛速度

设X₁,…X_n是从具密度函数f的一维总体中抽出的iid。样本。1965年,Loftsgarden等在[1]中提出了如下的估计f(x)的方法:选择最小的a_n(x)=a_n(x;X₁,…,X_n),使区间[x-a_n(x),x+a_n(x)]中至少包含X₁,…,X_n中的K_n个样本     

Transient Nearest Neighbor Random Walk and Bessel Process

We prove a strong invariance principle between a transient Bessel process and a certain nearest neighbor (NN) random walk that is constructed from the former by using stopping times. We show that their local times are close enough to share the same strong limit theorems. It is also shown that if the difference between the distributions of two NN random walks are small, then the walks themselves can be constructed in such a way that they are close enough. Finally, some consequences concerning strong limit theorems are discussed.     

独立样本最近邻密度估计的强相合速度

设X，X2，…,Xn是独立同分布样本，具有共同的密度函数f(x),在f(x)满足适当的条件下给出最近邻密度估计的强相合收敛速度，其速度可达到O（n^-1/3(olgn)^1/3。     

Multivariate Hazard Rates under Random Censorship

The data consists of multivariate failure times under right random censorship. By the kernel smoothing technique, convolutions of cumulative multivariate hazard functions suggest estimators of the so-called multivariate hazard functions. We establish strong i.i.d. representations and uniform bounds of the remainder terms on some compact sets of the underlying space. Thus asymptotic normality and uniform consistency on such sets are obtained. The asymptotic mean squared error gives an optimal bandwidth by the plug-in method. Simulations assess the performance of our estimators.     

随机删失下位置-刻度模型中的强相合与渐近正态估计

在删失分布未知的情形下,证明了所定义的位置─刻度模型中参数估计的强相合性与渐近正态性．在证明估计的渐近正态性时,使用了点过程鞅方法．