相依误差下回归系数LS估计的强相合性

考虑多元线性回归模型其中x_(ij)(j=1,…,p;i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p为未知的回归系数,y_i,e_t分别为第i次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p为X_n,并令     

相依误差下回归函数导数估计的强收敛速度

设Y_1,…,Y_n是在固定点x_1,…,x_n的n个观察值,适合模型 Y_i=g(x_i) ε_i,1≤i≤n.(1)这里g(·)是R上的未知函数,{ε_i}为随机(误差)变量序列,且假定0=x_0≤x_1≤…≤x_(n-1)≤x_n=1. 给定非负整数p,为了估计g的p阶导数g~(p)(x)(p=0时,即为g(x)),秦永松用     

相依误差下非线性回归模型LS估计的收敛速度

研究非线性模型的参数估计问题,在误差满足较宽泛的条件时,证明了参数的最小二乘估计具有强相合性及强相合速度.     

混合误差下回归函数小波估计的一致收敛速度

该文构造了回归函数的一类小波估计，在误差序列为ψ 混合或φ 混合下得到了小波估计的强一致收敛速度和狉阶矩一致收敛速度．     

NA样本下回归函数估计的收敛速度

在误差为NA序列的条件下,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.     

NA样本下回归函数导数估计的收敛速度

本文对NA样本,在一定条件下,研究了非参数回归函数导数核估计逐点强相合及一致强相合的收敛速度.     

线性模型中相依误差下回归系数最小二乘估计的相合性

文献[1]考虑了线性模型中误差序列{e_i}独立时,最小二乘估计(?)_n 的 r-阶矩的平均相合性.对{e_i}为鞅差序列,线性过程序列的情况,最近一些文献中得出了(?)_n 强相合的一些结果.在[1]的工作基础上,本文对{e_i}为 m-相依、*-混合、广义高斯等相依序列得出相应结果,给出了(?)_n 为 r-阶矩相合及强相合的一些充分条件.本文中相依序列的定义引自[2],[2]中给出了一些相依序列的实例,因而考虑相依误差下(?)_n 的相合性有一定的实用意义.考虑线性回归模型:     

Φ混合误差下非线性模型LS估计的收敛速度

本文对非线性模型Xn＝yn（θ）＋εn；获得了θ的LS估计的a．s收敛速度，推广和改进了PrakasaRao（［5］）的结果．     

随机删失下回归函数最近邻估计的强收敛速度

针对随机右删失数据, 就截尾时间变量的分布已知和未知两种情况, 构造了一类非参数回归函数的最近邻估计, 在适当的条件下得到估计量的强收敛速度.     

平衡损失下回归系数的线性Minimax估计

在平衡损失函数下,主要研究回归系数的线性Minimax估计问题.通过分析平衡损失风险的极大极小性,得到了线性优化计类中回归函数的Minimax估计.在适当的假设下,证明了其唯一性.     

矩阵损失下回归系数的线性MINIMAX估计

这里 Y∶n×1为随机向量,X∶n×p,V∶n×n>0已知,β∈R~p,σ~2>0为未知参数,我们要估计β的可估函数 Sβ,S∶k×p 是常数矩阵,且存在 D,使 S=DX.吴启光采用矩阵损失(d-Sβ)(d-Sβ)′,考虑一个线性(齐次的或非齐次的)估计在线性(齐次的或非齐次的)估计类中的可容许性.本文对矩阵损失作了修改,考虑一个线性(齐次的或非齐次的)估计在线性(齐次的或非齐次的)估计类中的 Minimax 性.设     

聚集数据下回归系数混合估计的相对效率

讨论在聚集数据情形下,具有附加信息的线性回归模型的参数估计,提出了回归系数的聚集混合估计,研究了该估计相对于Peter—Karsten估计和相对于最小二乘估计的相对效率,得到了相对效率的上、下界.     

平衡损失下回归系数的线性容许估计

该文在平衡损失函数下,研究线性模型中回归系数的线性容许估计,得到了充要条件,结果表明,线性容许估计也是一种估计的平衡。     

完全与删失数据下回归函数小波估计的强一致收敛速度

在完全和右删失数据下，构造了回归函数g(x)的小波估计和改良小波估计，得到了估计量的若干强一致收敛速度。     

二次损失下回归系数的线性Minimax估计

设有线性模型EY=Xβ,CovY=σ~2V,这里X和 V_(:nxn)>0已知矩阵,β∈R~p 和σ~2>0都是参数.本文估计 Sβ,选取损失函数L(d,Sβ)=其中 Sβ是可估的,并给出了在线性估计类中唯一的一个线性 minimax 估计.     

平衡损失下回归系数的最优线性无偏估计

在平衡损失函数下得到了回归系数的最优线性无偏估计,结果表明平衡损失下的最优线性无偏估计就是线性模型中回归系数的最小二乘估计.     

二次损失下回归系数的线性Minimax估计

设有线性模型 EY=Xβ CovY=σ~2V, 这里X: _(nxp),和V: _(nxn)>0已知矩阵,β∈R~P和σ~2>0都是参数。本文估计Sβ,选取损失函数 L(d,Sβ)=((d-Sβ)′(d-Sβ))/(σ~2+β′X′V~(-1)Xβ), 其中Sβ是可估的,并给出了在线性估计类中唯一的一个线性minimax估计。     

PA误差下回归函数小波估计的渐近性质

本文研究了回归函数小波估计的渐进性质的问题.利用概率不等式方法,获得了函数g(·)的小波估计量的r-阶矩相合,依概率收敛和强收敛以及渐进正态性的结果,所获的结果推广了其他混合相依下的相应结果.