一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

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     

条件L泛函的核估计及其Bootstrap逼近

设(X,y)为取值于 R~d×R~1的随机变量,X 具有边缘分布 F(x),Y 关于 X 的条件分布为 F(y|x).对于条件 L 泛函θ_1(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy(1)θ(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy+sum from j=1 to k a_jF~(-1)(p_j|x)(2)在[1]中曾给出了它们的近邻估计,并讨论了估计的渐近性质(其中 F~(-1)(x)=inf{t:F(t)≥x}).在本文中,我们将用核函数方法构造它们的另一类估计,并讨论估计的一些渐近性质.设(X_1,Y_1),(X_2,Y_2),…是(X,Y)的一个样本列,取 w_n_i(x)=K((x-X_i)/h_n)/sum from i=1 to n K((x-X_i)/h_n),其中 K 为 R~d 上的概率密度函数,并有0相似文献   

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。     

回归函数改良核估计的相合性

一、引言及若干引理设(X_1,Y_1),…,(X_n,Y_n)为(X,Y)的前 n 个样本,(X,Y)为 R~d×R 上的随机向量,μ为 X 的概率分布,回归函数 m(x)=E(Y|X=x)的核估计为     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

关于最近邻回归估计的收敛速度

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为取位于 R~d×R~1上的 iid.随机向量序列,E|y|<∞.本文研究了回归函数 m(x)的最近邻估计 m_n(x)的强收敛速度问题,在一定条件下证明了它满足重对数律,即■(|m_n(x)-m(x))/(2∑_i~k1v_(ni)~2log logn)~(1/2)≤(2var(Y|X=x))~(1/2)a.s.     

非参数回归模型中回归函数的估计的渐近性质

§1.引言 考虑下列的回归模型:Y在X=x的条件之下的分布密度为f(y|X=x)=p(y-θ(x)),(1.1)其中p(y)满足条件回归函数θ(x)为下列集合的成员之一存在,x∈U},(1.3)其中U是一个开区间,θ~(p)(x)表示θ(x)的p阶导数。又设随机变量X的分布密度为q(x),它在X的支撑U上为连续正函数。现在设(X_1,Y_1),…,(X_n,Y_n)是(X,Y)的     

非参数回归函数核估计的一致强收敛速度

一、引言及主要结果 设X为d维随机向量,Y为一维r.υ.(x_i,y_i),i=1,2,…,n为(X,Y)的独立随机样本。如果E|Y|<∞,则对几乎所有的X存在,称Y对X的回归函数。Watson (1964),Nadaraya (1964)提出用估计m(x),其中K(x)为R~d上的概率密度,h_n>0,h_n→0(n→∞)。这种估计称为核估计。     

相依样本下非参数回归函数估计的强收敛速度

设(X,Y),(X_1,Y_1,),…,(X_n,Y_n)是一个平稳、φ—混合过程((X,Y)∈R~d×R,E|Y|~(s δ)<∞,s≥2,δ>0),用m(x)记E{Y|X=x},本文讨论了m(x)的如下估计m_n(x)的强收敛速度:     

条件中位数的最近邻估计的大偏差概率的指数率

本文讨论了条件中位数的最近邻估计的大偏差问题。首先,在相当广泛的条件下,证明了条件中位数作为 x∈R~d 的函数,对几乎所有的 x,其最近邻估计的大偏差概率具有指数率;其次,在 x 为一维变量的情况下,考虑了条件中位数和它的最近邻估计在一致逼近意义下的距离。本文指出,当条件分布对 x 弱连续时,这个距离的大偏差概率具有指数率。由于本文所得到的结果,最近邻估计这个非参数方法可望在实际领域中得到更广泛的应用。     

Large deviations for M-estimators

We study the large deviation principle for M-estimators (and maximum likelihood estimators in particular). We obtain the rate function of the large deviation principle for M-estimators. For exponential families, this rate function agrees with the Kullback–Leibler information number. However, for location or scale families this rate function is smaller than the Kullback–Leibler information number. We apply our results to obtain confidence regions of minimum size whose coverage probability converges to one exponentially. In the case of full exponential families, the constructed confidence regions agree with the ones obtained by inverting the likelihood ratio test with a simple null hypothesis.     

Polynomial type large deviation inequalities and quasi-likelihood analysis for stochastic differential equations

The estimate of the probability of the large deviation or the statistical random field is the key to ensure the convergence of moments of the associated estimator, and it also plays an essential role to prove mathematical validity of the asymptotic expansion of the estimator. For non-linear stochastic processes, it involves technical difficulties to show a standard exponential type estimate; besides, it is not necessary for these purposes. In this paper, we propose a polynomial-type large deviation inequality which is easily verified by the L ^p -boundedness of certain functionals; usually they are simple additive functionals. We treat a statistical random field with multi-grades and discuss M and Bayesian type estimators. As an application, we show the behavior of those estimators, including convergence of moments, for the statistical random field in the quasi-likelihood analysis of the stochastic differential equation that is possibly multi-dimensional and non-linear. The results are new even for stochastic differential equations, while they obviously apply to other various statistical models.     

带税率的Cramér-Lundberg风险模型的总征税次数的分布函数(英文)

本文研究了带税率的Cramér-Lundberg风险模型.利用迭代算法及该过程具有的的强马氏性,得出了保险公司从开始营运到破产期间总赋税次数的概率函数.作为例子,本文给出了指数分布索赔假定下该概率函数的具体表达式.     

离散时多元风险模型的破产概率

本文研究了离散时多元风险模型的破产概率问题.利用经典大偏差的方法,获得了有限水平的破产概率,推广了离散时一元风险模型的相应结论.     

离散时多元风险模型的破产概率

本文研究了离散时多元风险模型的破产概率问题. 利用经典大偏差的方法, 获得了有限水平的破产概率, 推广了离散时一元风险模型的相应结论.     

金融资产收益率尾概率估计研究

在对金融资产进行投资时,投资者所关注的问题往往是金融资产收益率发生大波动的概率,简称尾概率.本文利用大偏差定理对此概率如何进行估计进行深入研究.将收益率按其尾部的分布特征分成三类,分别对其进行研究,得到三种不同的估计公式.本文对收益率序列存在相关性、收益率是多元随机变量情况下的尾概率估计问题也进行了分析.     

Generalized calculus and sdes with non regular drift

In this note we prove a precise asymptotic estimate for Laplace type functionals for a parabolic SPDE. We use a large deviation principle, the stochastic Taylor expansion, some exponential inequalities and support theorems for our stochastic partial differential equation     

多参数情形下 MLE 的大偏差

在大样本点估计理论中,我们一般只考虑相合估计,对于任何一个相合估计 T_n 以及任何给定的ε>0,其尾概率