变系数模型小波估计的渐近性

变系数模型是线性模型的有用推广,它允许回归系数是某个变量的函数,近年来在统计分析中得到广泛的应用.文中研究回归变量都是随机时的变系数模型,提出运用小波的方法估计变系数模型中的函数系数,并在较弱的条件下得到了变系数模型小波估计的渐近正态性.     

纵向数据变系数模型中的减元估计法

纵向数据变系数模型常应用于传染病学、生物医学和环境科学等领域. 本文提出了一种称为减元估计法的方法来估计模型中的未知函数和它们的导数. 减元估计法既适用于系数函数具有相同光滑度的情形, 也适用于系数函数具有不同光滑度的情形; 既适用于变量不依赖于时间的情形, 也适用于变量依赖于时间的情形. 给出了一般条件下估计量的局部渐近偏差、方差和渐近正态性, 并且渐近性结果显示: 当系数函数具有不同的光滑度时, 减元估计量的渐近方差比现有方法得到的估计量的渐近方差要少. 本文还通过 Monte Carlo 模拟研究了估计量的有限样本性质.     

变系数模型的小波估计

变系数模型是近年来文献中经常出现的一种统计模型.本文主要研究了变系数模型的估计问题,提出运用小波的方法估计变系数模型中的系数函数,小波估计的优点是避免了象核估计、光滑样条等传统的变系数模型估计方法对系数函数光滑性的一些严格限制. 并且,我们还得到了小波估计的收敛速度和渐近正态性.模拟研究表明变系数模型的小波估计有很好的估计效果.     

部分线性变系数模型Backfitting估计的渐近性质

作为部分线性模型与变系数模型的推广,部分线性变系数模型是一类应用广泛的数据分析模型.利用Backfitting方法拟合这类特殊的可加模型,可得到模型中常值系数估计量的精确解析表达式,该估计量被证明是n~(1/2)相合的.最后通过数值模拟考察了所提估计方法的有效性.     

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     

半变系数模型PLS估计的渐近正态性

半变系数模型在统计建模中具有重要的应用．最近几年，人们提出了许多方法来估计其常系数和函数系数，但是估计的渐近性质还没有被系统的研究．本文介绍了半变系数模型的PLS估计，在Fan和Huang对常系数渐近性质研究的基础上，给出了函数系数的渐近正态性。     

删失数据下半变系数模型估计的渐近正态性

半变系数回归模型是变系数回归模型的有效推广,已获得了广泛的应用. 本文在响应变量随机删失下对其进行讨论,给出常系数和函数系数的估计, 并证明了该估计的渐近正态性.     

纵向数据下变系数测量误差模型的渐近估计

本文主要研究纵向数据下变系数测量误差模型的估计问题.利用B样条方法逼近模型中未知的变系数,构造关于B样条系数的二次推断函数来处理未知的个体内相关和测量误差,得到变系数的二次推断函数估计,建立估计方法和结果的渐近性质.数值模拟结果显示本文提出的估计方法具有一定的实用价值.     

纵向数据下部分线性EV模型的渐近性质

研究了纵向数据下部分线性EV函数关系模型.应用一般非参数权函数法和广义最小二乘法给出了未知参数β,误差方差σ2以及未知函数g(·)的估计.在一般的条件下,证明了β,σ2估计的渐近正态性,同时也给出了未知函数g(·)估计的收敛速度,其结果是独立数据情形下相应结果的推广.     

纵向数据下混合效应EV模型中参数估计的渐近性质

考虑纵向数据下混合效应EV模型。对带有惩罚项的Profile广义最小二乘方法进行了修正。利用矩估计法和ML-based EM算法给出了固定效应,随机效应以及协方差阵的估计。在一般的条件下,给出了固定效应估计的强相合性和渐近正态性,并对所提出的各种估计进行了模拟研究。模拟效果不错。     

删失数据下的变系数回归模型

研究了删失数据下的变系数回归模型．通过数据变换,利用局部多项式方法,给出了系数函数的局部加权最小二乘估计．证明了该估计的渐近偏差和渐近方差,同时获得了该估计的渐近正态性．     

φ-混合样本下缺失数据情形线性模型回归系数估计的渐近性质

φ-混合样本下,当响应变量满足随机缺失机制时,利用回归填补方法填补缺失的数据,在此基础上给出了线性模型回归系数的估计,并在一定的条件下证明了估计的渐近正态性.     

纵向数据下部分线性模型的渐近性质

纵向数据是在实际应用中很常见的一种数据类型,在解决实际问题时建立纵向数据模型,进行统计分析很实用。本文研究一类重要的纵向数据下部分线性回归模型,所分析的纵向数据是随机观测而得到的,根据纵向数据的特性构造模型中未知参数分量和未知函数的估计量,进而研究了估计量的渐近性质,通过实例分析,证实了该方法的有效性和可操作性,有很好的使用价值。     

基于纵向数据的半参数变系数部分线性回归模型

纵向数据是数理统计研究中的复杂数据类型之一0,在生物、医学和经济学中具有广泛的应用．在实际中经常需要对纵向数据进行统计分析和建模．文章讨论了纵向数据下的半参数变系数部分线性回归模型,这里的纵向数据的在纵向观察在时间上可以是不均等的,也可看成是按某一随机过程来发生．所研究的半参数变系数模型包括了许多半参数模型,比如部分线性模型和变系数模型等．利用计数过程理论和局部线性回归方法,对于纵向数据下半参数变系数进行了统计推断,给出了参数分量和非参数分量的profile最小二乘估计,研究了这些估计的渐近性质,获得这些估计的相合性和渐近正态性．     

缺失数据下线性模型回归系数估计的大样本性质

在响应变量满足MAR缺失机制下，我们分别研究了基于观察到的完全样本数据对、基于固定补足后的“完全洋本”和基于分数线性回归填补后的“完全洋本”得到的回归系数的最小二乘估计的弱相合性、强相合性及渐近正态性，我们还通过数值模拟，比较了基于上述估计得到的β的置信区间的优劣。     

Asymptotic Properties of Self-Consistent Estimators with Mixed Interval-Censored Data

Mixed interval-censored (MIC) data consist of n intervals with endpoints L _i and R _i , i = 1, ..., n. At least one of them is a singleton set and one is a finite non-singleton interval. The survival time X _i is only known to lie between L _i and R _i , i = 1, 2, ..., n. Peto (1973, Applied Statistics, 22, 86–91) and Turnbull (1976, J. Roy. Statist. Soc. Ser. B, 38, 290–295) obtained, respectively, the generalized MLE (GMLE) and the self-consistent estimator (SCE) of the distribution function of X with MIC data. In this paper, we introduce a model for MIC data and establish strong consistency, asymptotic normality and asymptotic efficiency of the SCE and GMLE with MIC data under this model with mild conditions.