一类非线性回归的近邻估计

一、引言设 X 和 Y 分别为 d 维与1维的随机变量,对 x∈R~d,以 F_x 记 Y|x 的分布.我们来考虑定义在 {F_x∶x∈R~d}上的泛函 (?)(x).当 (?)(x) 具有适当的形式时,(?)(x) 可以有一个无偏估计 g(Z_1,…,Z_k),这里 Z_1,…,Z_k 为独立且同服从于 F_x 的随机变量,比如在 Hoeffding U-统计量的场合.为方便计,我们仅考虑具有2维对称核的场合.     

m-WOD误差下非线性回归模型LS估计收敛性

结合m相依随机变量和WOD随机变量的概念,给出m-WOD随机变量的概念,它包含了NA随机变量,m-NA随机变量,NSD随机变量,NOD随机变量,END随机变量,m-END随机变量,WOD随机变量等负相依随机变量.基于误差为m-WOD随机变量,我们研究非线性回归模型参数最小二乘(LS)估计,获得了参数LS估计的概率不等式.作为应用,在不同的矩条件下,获得LS估计的完全收敛速度和依概率收敛速度,推广了已有文献的结果.     

非线性回归模型M估计的迭代公式及其收敛性

本文研究了非线性回归模型M估计的Gauss-Newton迭代公式及其改进形式的收敛性问题。把Jeunrich和Gallant等人关于最小二乘估计的结果推广到M估计的情形。本文的证明显示,这些结果还可以推广到更广泛的模型和更一般的估计。本文的实例说明,改进的Gauss-Newton迭代法对于求解非线性回归的M估计是比较有效的,M估计对于消除异常点的影响育显著的作用。     

一类非线性回归模型参数的广义LS估计

在一无非线性回归模型中，有一类模型可用变量代换Ｘ＝（ｘ），Ｙ＝ψ（ｘ，ｙ）化为线性回归。对这类模型，本文提出用广义ＬＳ法对其参数进行估计，可解决一般ＬＳ法估计这类模型参数的不足，使回归精度提高。     

m-WOD误差下非线性回归模型LS估计收敛性北大核心CSCD

结合m相依随机变量和WOD随机变量的概念,给出m-WOD随机变量的概念,它包含了NA随机变量,m-NA随机变量,NSD随机变量,NOD随机变量,END随机变量,m-END随机变量,WOD随机变量等负相依随机变量.基于误差为m-WOD随机变量,我们研究非线性回归模型参数最小二乘(LS)估计,获得了参数LS估计的概率不等式.作为应用,在不同的矩条件下,获得LS估计的完全收敛速度和依概率收敛速度,推广了已有文献的结果.     

一类非线性差分方程的整体收敛性

利用[5]中的证明方法给出了一类非线性差分方程整体收敛性的一个充分条件,并将[1],[5]中的结果推广到更为一般的情形.     

两类下降的非线性共轭梯度法的全局收敛性

本文在文献[1]中提出了一类新共轭梯度法的基础上,给出求解无约束优化问题的两类新的非线性下降共轭梯度法,此两类方法在无任何线搜索下,能够保证在每次迭代中产生下降方向.对一般非凸函数,我们在Wolfe线搜索条件下证明了两类新方法的全局收敛性.     

一类非线性模型的稳健回归

在生物医学试验数据的统计分析中,经常遇到不规则现象,即出现“离群值”(Ou-tliers).特别是对非线性回归问题,引起严重偏差,本文应用一种改进的方法——稳健回归(robust regression)分析方法,克服了离群值的影响.在实际试验数据的分析中,获得了较好的回归估计.     

一类非线性模型的自适回归

§1.引言 Bickel在[1]中就线性模型Y=X~Tθ+ε当ε服从正则的对称分布时,给出了θ存在自适估计的构造性证明。本文将就如下一类非线性模型,给出θ存在自适估计的一个构造性证明。 考虑模型 Y_i=k(X_i,θ)+ε_i,i=1,2,…。 (1.1)θ∈(H),(H)是R~P中有界开子集。固定x,k(x,θ)是(H)((H)的闭包)上的非线性连续函数。固定     

一类非线性回归模型及其应用

对于高压氧仓内作的某试验数据组,本文找出一个线性性态较好的非线性模型,结合稳健回归方法,获得了较好的拟合曲线.     

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.     

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.     

误差为鞅差序列的回归函数估计的收敛速度

当误差为鞅差序列时,研究固定设计点列情形下非参数回归函数一般权函数的非参数估计,并在一些基本条件下给出了估计的一致最优强收敛速度．     

分布自由的回归函数核估计的相合性

在合适条件下，我们获得了基于完全和截尾数据回归函数核估计的逐步相合性，所获的结果对于所有Ｘ的分布μ均成立，因此是分布自由的。     

误差为鞅差序列的回归函数估计的收敛速度

当误差为鞅差序列时,研究了固定设计点列情形下非参数回归函数一般权函数的非参数估计,并在一些基本条件下给出了估计的一致最优强收敛速度.     

随机删失场合回归函数的核估计及强相合性

回归函数的非参数估计及相合性问题曾经受到国内外学者的很大关注,但其中大多数都是基于完全样本来讨论的.如设(X_1,Y_1),…,(X_n,Y_n)是从 R~d×R 上的随机向量(X,Y)中抽取的 i.i.d.样本,陈希孺考虑了回归函数 m(x)=E(Y/X=x)的形如 m_n(x)=(?)W_(nj)(x)Y_i(其中 W_(nj)(x)为权函数)的非参数估计,并在适当条件下证     

回归函数改良核估计的强相合性及收敛速度

令(X,Y),(X_1,Y_1),…,(x_n,Y_n)为R~p×R~1上一串i.i.d。随机向量,且E(|Y|)<∞。研究如何利用(X_1,Y_1),…,(X_n,Y_n)观察的结果估计回归函数 m(x)=E(Y|X=x),称为非参数回归函数估计问题。Watson和Nadaraya首先建议用核估计     

非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

截尾样本下回归函数加权核估计的一些收敛性质

本文分别在截尾分布函数已知和未知两种情况下，构造了基于截尾样本的非参数固定设计模型回归函数的加权核估计，并研究了它们的一些收敛性质．