线性模型中误差方差估计的随机加权逼近

本文利用对样本随机加权的思想,构造了线性模型中误差方差估计的抽样分布的一种新的逼近,与传统的Boostrop方法相比,随机加权逼近不需要样本独立同分布的假设,在很广泛的条件下,我们证明了新逼近方法的相合性。     

随机加权法的强逼近及其应用

本文研究了由随机加权法产生的经验过程及分位点过程的强逼近。     

非参数回归函数估计的随机加权逼近

本文应用随机加权法的思想构造了回归函数的最近邻估计和核估计的随机加权统计量,并证明了用随机加权统计量的分布逼近两类估计量的分布之精度可达到ｏ（ｎ~（－１／２Ｐ）,其中１＜ｐ ≤ ２．     

随机加权法在密度估计中的应用

本文给出了概率密度函数的椭机加权估计，证明了承机加权分布与密度估计的标准化估计量的分布的逼近精度可达到ｏ（１／√ｎｈ），并且构造了Ｅｆｎ（ｘ）的置信区间，其中ｆｎ（ｘ）为密度函数的核估计，ｈ＝ｈｎ炒估计的窗宽。     

线性模型中的随机加权逼近

本文利用随机加权的思想,给出了线性模型中回归系数的可估函数LS估计的误差分布的一种估计方法。这种方法比通常的正态逼近方法更精确,并且由它给出的方差估计具有模型稳健性。     

密度核估计的随机加权法

利用随机加权法的思想,找出概率密度函数估计的随机加权统计量,在适当的条件下证明随机加权分布逼近核估计误差分布的精度为     

随机加权法在线性模型中的应用

设 Y_n=X_nβ+e(n) (1.1)是一个回归模型,其中β是一个 p×1 未知参数向量;Y_n 是 n×1数据向量;X_n 是 n×p 矩阵,rank X_n=p,X_n 之元素是常数,X'_n=(x_1,…,x_n)表示 X_n 的转置;e(n)是 n×1 误差向量.设 (?)_n=(X′_nX_n)~(-1)X′_nY 为β的最小二乘估计.在[1]中讨论了随机变量 c′((?)_n—     

序集抽样中$M$估计分布的随机加权逼近

序集抽样是一种适用于准确测量花费太高而排序费用可以忽略不记时的一种抽样方法.讨论了序集抽样下的对于一般分布族M估计的相合性和渐近正态性并且通过随机加权的方法来估计M估计的分布.     

线性模型中M估计分布的随机加权方法逼近

在线性模型中,M估计的渐近分布通常都涉及到不易估计的未知误差分布的某些量,如果要估计渐近方差,就需对这些冗余参数进行估计.利用随机加权方法可以避免先对误差分布中的冗余参数进行估计.给出了当自变量是随机变量时,M估计分布的随机加权逼近,证明了M估计分布的随机加权逼近是一致相合的.当取不同的凸函数,样本大小和随机权时,进一步利用蒙特卡洛方法研究估计分布.研究表明随机权取泊松权时,不仅达到同样的效果而且可以减小计算量.     

回归函数核估计的随机加权法

本文利用随机加权法的思想,构造了回归函数g(x)的核估计     

置信区间的随机加权估计

用随机加权法建立了分位点ｑ的置信区间，又用后向临界点导出了更实用的置信区间。导出的置信区间是非参数的且和原置信区间长度相同。     

加权先验下的Bayes方差估计

针对具有多阶段试验信息的参数估计问题,考虑到历史数据和现场数据的不可等同性,给基于历史数据的似然函数加一个权参数a0(0≤a0≤1)的方案,结合动态修正Bayes估计方法,建构并推导出正态分布方差的加权先验Bayes估计模型.     

基于加权方差估计的降维

提出一种新的降维方法, 加权方差估计(WVE), 它包含了切片平均方差估计(SAVE)作为特例. 并且利用Bootstrap方法从WVE中 选择出最优估计, 给出了维数的选择方法. 该最优估计通常远好于已有方法, 比如切片逆回归(SIR)等. 已有的许多方法, 如SIR, SAVE等, 通常对每个 观测给予相同的权来估计中心子空间(CS). 通过引入权函数, WVE根据观测样本距中心子空间的距离, 对不同观测给予不同权重. 权函数使得WVE在很 一般或复杂的情形下有很好的表现, 比如, 回归变量的分布严重偏离椭圆对称分布. 而椭圆对称分布假设是许多方法 的基本假定, 如SIR, SAVE等. 和已有方法相比, WVE对自变量的分布不敏感. 本文建立了WVE的相合 性. 与其他方法的模拟比较表明了WVE的优点.     

半参数回归模型中随机加权M估计的强逼近

用随机加权法给出了半参数回归模型中参数的随机加权M估计，在一般的条件下证明了用随机加权统计量的分布逼近原估计量误差的分布的强有效性，并给出了M估计的最优强收敛速度。     

半参数回归模型中小波估计的随机加权逼近速度

把小波光滑方法和随机加权方法结合在一起，获得了半参数回归模型中参数分量的小波估计的随机加权逼近速度为σ(n^-1/2)。因此，从大样本意义上说，小波光滑方法和随机加权方法对半参数回归模型是可用的。     

线性模型误差方差估计的Bootstrap逼近

<正> §1.引言 1979年,Efron为估计基于独立观测值的统计量的分布,提出了一种很一般的重新抽样程序,称为Bootstrap:以一样本情形为例,设从分布F完全未知的总体中抽得大小为n的简单随机样本X_i=x_i,i=1,…,n.记X=(X_1,…,X_n),x=(x_1,…,x_n),它们分别表示随机样本及其特定的观测值.今给定一个随机变量R(X,F),它可能不仅依赖于X而且依赖于未知分布F.问题是要根据观测数据x去估计R的抽样分布。     

随机加权法

在讨论置信区间和估计误差的分布等问题时,Efron 提出了 Bootstrap 方法.为说明 Bootstrap 方法,我们用均值估计的误差分布的计算这个例子说明之.设 X_1,…,X_n～iidF,考虑均值μ_1∫xdF 的估计误差     

最近邻回归估计的随机加权逼近

研究了一种最近邻回归估计的分布逼近问题，利用随机加权法，给出了最近邻回归估计误差的逼近分布及其逼近的精度，从而改进了文献「１」的结论。     

条件密度近邻-核估计及其随机加权逼近的Edgeworth展开

Abstract. In this paper ,Edgeworth expansion for the nearest neighbor-kernel and random weighting approximation of conditional density are given and the consistency and convergence rate are proved     

双截尾Tobit模型中的随机加权逼近方法

本文研究双截尾删失回归模型中参数的随机加权估计(RWE),获得了RWE的统计渐近性质,如相合性和渐近分布.本文证明了RWE在给定样本下的条件渐近分布与参数的最小绝对偏差(LAD)估计的渐近分布是一样的,则可以利用RWE的条件分布去逼近回归参数的LAD估计的分布,从而避免冗余参数的估计,如误差项的密度函数.另外,本文也提出了一个M检验统计量和随机加权M检验统计量(RWM)来检验参数的线性假设问题,建立了该检验的统计性质.数值模拟和实际数据分析结果表明所提方法是可行的.