混合样本下非参数回归模型误差的矩相合估计

要考虑非参数回归模型Yi=g(Xi) εi，i=1，2…其中误差（ε，ii≥1)为φ混合随机变量列，且有共同的未知密度f(x)，g(x)=E(Y|X=x)为未知的回归函数，本由基于g(x)的非参数估计gn（x）定义的残差，然后再由基于残差构造的f(x)的估计fn(x)，在适当条件下，证明了fn(x)具有r(1相似文献   

随机删失下半参数估计的强相合性

主要讨论了随机删失下的部分线性模型,利用基于分布函数的核估计和最小二乘法,给出了删失情况下参数和非参数部分的估计,并证明了它们的强相合性.     

纵向删失数据下线性模型的相合估计

医药临床试验,生存分析,可靠性统计等研究领域,由于考虑到时间和费用问题,研究往往有一定期限.因为研究到期的被迫结束或者某些病人中途退出试验,最后得到的试验结果往往是删失数据.对于删失数据,采用无偏转换的方法处理,方法的最大优点是得到的估计量为显式解.首先讨论了在纵向右删失数据下线性回归模型回归系数估计的均方相合性,并且把结论推广到了污染线性模型,得到了污染系数、回归系数的强相合估计.     

删失数据平滑非参数分位估计

文中在随机右删失意义下，对于未知分布函数的分位点，基于ＰＬ估计给出了一种平滑的非参数核分位估计，推导出了该估计的逐点和一致强弱Ｂａｈａｄｕｒ类型表示定理，并由此结果获得了平滑分位计的渐近正态性及重对数律等深刻结果。     

方向数据核密度估计强一致相合性的收敛速度

设 f_n 为基于核函数 K 和一列取值于d 维单位球面的独立同分布的随机变量上的非参数核密度估计. 该文通过经验过程的方法得到核密度估计强一致相合性的速度.     

左截断右删失数据下百分剩余寿命函数的非参数估计

在左截断右删失数据的模型中，文章讨论３了可靠性中一类重要的α－百分剩余寿命函数的非参数估计，证明了该估计的强一致相合性并获得了该仗垢弱收敛性结果。     

混合误差半参数回归模型估计的强相合性

对半参数模型y（n）i＝β（n）xi＋g（t（n）i）＋ε（n）i，i＝1，2，…，n，综合运用最小二来法和非参数估计法，定义了β，g的估计量　，gn，在误差为某些混合序列下，得到了，gn（t）的强相合性及gn（t）的一致强相合性．     

基于删失数据的一般回归模型的参数估计

本文考虑基于删失数据的一般回归模型回归系数的方向估计，结合非参数回归和最小一乘方法构造了模型方向的估计，在较为一般的条件下证明了估计量的相合性．     

截断数据下非参数回归函数估计的强相合性

本文给出了截断数据下非参数回归函数ｍ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的两种估计。在一定的条件下证明了第一种估计的强相合性且给出了第二种估计的强收敛速度。     

Fixed Design Nonparametric Regression with Truncated and Censored Data

In this paper we consider a fixed design model in which the observations axe subject to left truncation and right censoring. A generalized product-limit estimator for the conditional distribution at a given covaxiate value is proposed, and an almost sure asymptotic representation of this estimator is established. We also obtain the rate of uniform consistency, weak convergence and a modulus of continuity for this estimator.Applications include trimmed mean and quantile function estimators.     

删失数据下线性回归模型的参数估计

主要叙述在数据观测不完全的情况下,采用最小二乘法对线性回归模型回归系数的估计及估计量的渐进性质,并给出数据模拟．     

Polynomial Regression with Censored Data based on Preliminary Nonparametric Estimation

Consider the polynomial regression model , where σ²(X)=Var(Y|X) is unknown, and ε is independent of X and has zero mean. Suppose that Y is subject to random right censoring. A new estimation procedure for the parameters β₀,...,β _p is proposed, which extends the classical least squares procedure to censored data. The proposed method is inspired by the method of Buckley and James (1979, Biometrika, 66, 429–436), but is, unlike the latter method, a noniterative procedure due to nonparametric preliminary estimation of the conditional regression function. The asymptotic normality of the estimators is established. Simulations are carried out for both methods and they show that the proposed estimators have usually smaller variance and smaller mean squared error than the Buckley–James estimators. The two estimation procedures are also applied to a medical and an astronomical data set.     

截尾数据非参数回归函数加权核估计

在截尾数据下研究非参数回归函数加权核估计的相合性,对强相合性给出一些较弱的充分条件,这些结论较大程度地改进了现有的结论．     

双边删失场合生存函数的非参数Bayes估计的弱收敛性

本文针对双边删失数据讨论了生存函数的非参数Bayes估计问题,运用Fred-holm积分的一些经典结果,文中证明了该估计弱收敛的一个Gaussian过程。     

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．     

混合误差下半参数回归模型小波估计的强相合性

研究了一类半参数回归模型,利用最小二乘法和小波估计法给出了未知参数β和未知函数g(.)的估计.在误差序列为ψ-混合或φ-混合下得到了^β的强相合性,给出了^g(.)的一致强相合性和r阶矩相合性.     

Hazard Rate Estimation in Nonparametric Regression with Censored Data

Consider a regression model in which the responses are subject to random right censoring. In this model, Beran studied the nonparametric estimation of the conditional cumulative hazard function and the corresponding cumulative distribution function. The main idea is to use smoothing in the covariates. Here we study asymptotic properties of the corresponding hazard function estimator obtained by convolution smoothing of Beran's cumulative hazard estimator. We establish asymptotic expressions for the bias and the variance of the estimator, which together with an asymptotic representation lead to a weak convergence result. Also, the uniform strong consistency of the estimator is obtained.