自回归参数估计的渐近均方误差

近年来时间序列分析中的模型识别和参数估计方法(如[1—3]),得到了广泛的应用与发展。关于参数估计的渐近性理论研究,也随之被重视起来。所谓估计的渐近性,是指估计量随着样本长度不断增加时所具有的各种收敛性。很多文章(如[4—7])研究了滑动平均与自回归等模型参数估计的渐近性质。在这些文章中讨论了参数估计的依概率收     

非参数方法下条件矩限制回归模型的广义矩估计

本文讨论条件矩限制回归模型的参数估计.使用非参数估计方法给出条件密度和条件均值的估计,在此基础上给出参数的广义矩估计.进一步讨论了估计的渐近正态性.     

双因素误差成分的空间面板模型的参数估计

本文构造了比较一般化的双因素误差成分结构的空间面板数据模型,其中误差成分的设定为个体效应也存在空间相关性.基于广义矩估计方法,通过构造最优的工具变量,寻找合适的矩条件组和权重矩阵,讨论了模型的参数估计问题,并证明了估计量的相合性.通过随机模拟分析估计量的有限样本性质,结果表明加权矩估计量的渐近效果优于未加权矩估计量,并且模型参数的可行的广义二阶段最小二乘估计量的估计效果很好.     

(p)混合序列的矩不等式与完全收敛性

给出一类较广泛的(p)混合序列的矩不等式.讨论了(p)混合序列的完全收敛性,所得的结果改进了相关文献中的结果,并得到了完全收敛速度与矩条件之间的等价关系.     

非平方损失下的经验 Bayes 估计

经验 Bayes 估计作为一种有效的参数估计方法已经得到广泛的讨论。首先是由 H.Robbins 提出了这一概念,在[6]中他给出了一般的构造方法,并研究了其渐近最优性质。在此之后也有很多这方面的结果。对小样本的情形,C.Morris 在[5]中进行了研究,并给出了许多卓有成效的应用实例。然而到目前为止,大量的结果都局限于平方损失的情况。对于非平方损失,是否可以构造一类经验 Bayes 估计,使其具有渐近最优性质还无从可知,本文试图在这一方面作些初步探讨。     

GI/G/K重话务系统的某些结果

(1974)Kōllerstrōm[1]给出了 GI/G/K(K≥1)重话务理论的主要结果;关于 GI/G/K(K≥1)重话务系统等待时间分布的渐近性质和等待时间的矩的渐近性质,本文改进了(1974)Kllerstrm 的结果[1],并更正了(1979)Kllerstrm 的错误论断[3].关于重话务系统队长分布渐近性质的讨论,本文推广了 Kingman 的工作[6].     

二元极值分布混合模型的矩估计

极值理论在各个领域得到了越来越多的关注和应用, 尤其是多元极值分布. 而矩估计是一种经典的参数估计方法, 计算简单且具有某些优良性, 本文给出边缘为标准指数分布的二元极值混合模型相关参数的矩估计及其渐近方差. 并将其与极大似然估计的渐近方差比较, 结果表明矩估计是一个较好的估计.     

混合序列的Bernstein型不等式及其逆矩

吴铁肩等在Lindeberg型条件下,得到非负独立随机变量逆矩的渐近逼近.该文获得了φ-混合、Ψ-混合序列的Bernstein型不等式及其完全收敛性,并给出其逆矩的渐近逼近,推广和改进了吴铁肩等和胡舒合等文中的相应结果.     

离散抽样OU-复合Poisson过程的参数矩估计(英)

本文研究基于离散观测的正复合Poisson过程驱动OU型过程的参数估计. 通过矩估计给出了过程平稳分布参数的估计量,并得到了估计量的相合性和渐近正态性. 进一步,将矩估计的方法和结论推广到叠加过程的情况.     

离散抽样OU-复合Poisson过程的参数矩估计

本文研究基于离散观测的正复合Poisson过程驱动OU型过程的参数估计. 通过矩估计给出了过程平稳分布参数的估计量, 并得到了估计量的相合性和渐近正态性. 进一步, 将矩估计的方法和结论推广到叠加过程的情况.     

有限元的渐近准确误差估计和局部超收敛性

[1—3]曾系统讨论有限元的局部(内部)超收敛理论,指出:一个局部区域只要剖分好而且解光滑,那么有限元逼近在该区域就有超收敛性。Babuska曾讨论某几种有限元的后验估计和渐近误差估计,但这些可算的后验估计量(也叫误差指示子error estima-tor)表达式复杂,计算麻烦,作自适应处理并不方便。实际上,后验估计与局部超收敛性有着天然的联系。本文证明,凡是有超收敛性的地方都可进行渐近准确误差估计,这种可     

二次样条插值的收敛性

<正> 本文讨论一类插值结点与样条结点不重合的二次样条插值.[6]讨论了这类插值的存在性、唯一性和某种变分性质.[1—3],[5]讨论了它的特殊情形——中点插值的收敛性和误差界,本文在一般情况下得出了类似的结果.[4]在一般情况下讨论了收敛性,其条件是 f(x)∈Lipα(0<α≤1).本文给出了当 f(x)∈C~0[a,b]时的收敛性及 f(x)∈C~l[a,b](l=1,2,3)时的余项估计.     

Backus—Gilbert方法对不精确数据解的误差估计

1 引言 1968年地质学家G Backus and F Gilbert给出了求解线性(非线性)矩问题的一种方法,用来求解地球物理反问题。后来称这种方法为B-G方法。过去几年,数学家们从理论和应用方面研究了B-G方法。从理论上分析了其收敛性并给出了误差估计。第一类算子方程在不同函数空间的离散化得到不同形式的矩问题。[4]、[5]研究了再生核空间和小波空间的B-G方法。并用于信号恢复问题。由于矩问题的不适定性,有必要分析B-G方法解的正则性,本文得到了B-G方法对不精确数据的误差估计,从而证明了B-G方法是—种正则化方法。 考虑线性矩问题     

多元线性模型t型回归参数估计的相合性和渐近正态性

考虑多元线性回归模型中回归系数的稳健估计问题, 将组内数据球化后, 视误差向量分布为各分量独立且具有相同刻度和自由度的t分布, 通过极大似然(M)方法获得t型回归参数估计. 本文讨论了这种t型回归参数估计的渐近性质, 在一些正则条件下, 获得了它的相合性, 并得到它的渐近正态性.     

PA序列部分和完全收敛性的进一步探讨

通过讨论矩的存在性与部分和尾概率级数收敛性的关系,给出了PA序列部分和的完全收敛性,获得了PA序列与独立序列类似的强极限性质.     

Cox-Ingersoll-Ross模型的统计推断

本文研究了Cox—Ingersoll—Ross模型的统计推断问题.给出了CIR过程的平稳均值m与平稳方差v的矩估计,并利用m和v给出了CIR过程中尺度参数α与波动率β之间的关系,讨论了参数α的条件矩估计和渐近极大似然估计.并通过数值模拟对条件矩估计,渐近极大似然估计这两种方法作了比较.     

误差为MA（∞）序列的半参数回归模型的小波估计的渐近性质

本文研究误差为MA(∞)时间序列的半参数回归模型.利用小波方法,研究了参数分量β非参数分量g(t)的小波估计βn、gn(·)的渐近性质.在适当的条件下,得到了βn的渐近正态性、强收敛速度、矩收敛速度及gn(·)的强相合性和矩相合性.     

$\widetilde{\rho}$混合序列的矩不等式与完全收敛性

给出一类较广泛的$\widetilde{\rho}$ 混合序列的矩不等式. 讨论了$\widetilde{\rho}$ 混合序列的完全收敛性, 所得的结果改进了相关文献中的结果,并得到了完全收敛速度与矩条件之间的等价关系.     

行为渐近几乎负相关随机变量阵列加权和的完全矩收敛性（英文）

本文考虑行为渐近几乎负相关(AANA)随机变量阵列加权和的完全矩收敛性,在未同分布假设下建立了完全矩收敛性的一些充分条件.获得的主要结果分别推广和改进了负相关随机变量和渐近几乎负相关随机变量的相应结论.     

广义指数保费原理中风险保费的统计推断

指数保费原理是非寿险精算中的一种重要保费原理.本文提出一种改进的指数保费原理,这种保费原理不仅能包含指数保费原理作为特殊情况,而且是Esscher保费原理和净保费原理的推广,具有很多保费原理的优良性质.我们研究了这种保费原理下风险保费的极大似然估计、非参数估计和贝叶斯估计,讨论了估计的渐近无偏性、相合性和渐近正态性,并给出了渐近置信区间.最后,通过数值模拟的方法比较了几个估计的收敛速度.结论表明,在样本容量较小的情况下,非参数估计具有较小的均方误差.