加权和线性过程的渐近正态性

本文建立了α-混合序列情形的加权和平稳线性过程的渐近正态性.获得的结论基于最少的权条件.所得结论将Abadir等[Econometric Theory,2014,30(1):252-284]中的结论推广至α-混合序列情形.     

条件分布对称性的一个一致性检验及渐近正态性（英文）

本文研究了条件分布对称性检验的问题.借助能量距离的概念与思路,提出了条件能量距离的概念.基于条件能量距离构造出一个新的条件分布对称性的检验统计量,该统计量具有带随机核的U-统计量的形式.利用带随机核U-统计量理论证明得到该检验统计量的一致性及在原假设下的渐近正态性的结果.     

线性次序统计量和线性秩统计量的渐近正态性

本文用凸函数构造了线性次序统计量和线性秩统计量,并证明了它们的渐近正态性．     

部分线性模型中估计的渐近正态性

考虑回归模型其中是未知函数，（ｘ＿ｉ，ｔ＿ｉ，ｕ＿ｉ）是固定非随机设计点列，β是待估参数，ｅ＿ｉ是随机误差。基于ｇ（·）及ｆ（·）的一类非参数估计（包括常见的核估计和近邻估计），我们构造了β的加权最小二乘估计，并证得了最小二乘估计和加权最小二乘估计的渐近正态性。     

误差为FCA过程的线性模型HD估计的渐近正态性

考虑线性回归模型y=x^Tβ+e₁其中误差e是函数系数自回归（FCA）过程.本文研究该模型未知参数的Huber-Dutter估计的渐近性质,在合理的条件下,证明了这些估计量以n^-（1/2）速度渐近于正态分布.     

线性模型中最小一乘估计的渐近正态性

考虑线性回归模型(1.1),其中β。为未知的回归系数向量,e₁,e₂,…独立且各有中位数零,定义β。的最小一乘估计为极值问题(1.2)的解,本文首先论述了文献中关于渐近正态性的工作,并指出其中错误所在,然后在最一般的条件下证明了的渐近正态性(定理1).特别,对{经X_i}施加的条件与最小二乘估计的渐近正态性条件相同(见(1.6)式),说明这一条件是无可改进的。     

广义线性回归拟似然估计的渐近正态性

研究了形如n∑i=1xi(yi-μ(xi′β))=0拟似然方程,在一定的条件下证明了拟似然估计βn的渐近正态性;并进一步证明了可用于β0大样本统计推断的渐近正态性结果．     

强混合样本下回归加权估计的一致渐近正态性

在强混合样本下,讨论固定设计回归模型的加权函数估计的一致渐近正态性,给出一致渐近正态性的收敛速度,这个速度接近n-1／6．     

关于线性秩统计量的渐近正态性及其收敛速度

本文讨论线性秩统计量的渐近正态性的条件及其收敛速度．推广了Hajek关于线性秩统计量收敛于正态分布的条件的重要定理，并得出了一个较易验证的充分条件．对于一般形式的计分函数，在一定条件下得出了相应线性秩统计量收敛于正态分布的速度．     

部分线性模型下Adaptive Dantzig Selector方法的渐近正态性

变量选择是处理超高维数据过程中重要的部分.本文提出部分线性模型下ADS(Adaptive Dantzig Selector)方法,并证明其渐近正态性.通过数值模拟以及大众点评网数据,验证此方法的可行性以及高精准性.     

时间序列和渐近正态性的一个结果

Brockwell和Davis在[1]中给出了时间序列和渐近正态性方面的一个结果，本文用不同的方法且在较弱的条件下，得到了同样的结论。     

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.     

最近邻回归估计的渐近正态性

本文研究了最近邻估计问题,在适当条件下证明了它的渐近正态性。     

Hill统计量的渐近正态性

的正整数。此后,统计量γ_n的渐近性质被广泛地加以研究。Mason证明了γ_n是弱相容的,同时指出:如果k_n=[n~β],0<β<1,那末γ_n也是γ的强相容估计。[3]和[4]讨论了γ_n的渐近正态性;作为正则变化函数性质的一个应用,[5]中对此亦有讨论。本文将在d.f.F连续这一假定下,揭露γ_n的分布与一个条件iid的rv阵列行和的     

再论逆自相关函数自回归估计的渐近性质（Ⅱ）：渐近正态性

本文在一组相当广泛的条件下,证明了线性平稳时间序列逆自相关函数自回归估计的渐近正态性,并获得了由这一估计所得的MA(q)模型参数估计的渐近正态性和优效渐近正态性。     

NA序列的部分和乘积的渐近正态性

设{Xn;n≥1}是一列同分布的NA序列,μ=EX1>0,σ2=VarX1<∞.在适当的条件下证明了∏nk=1Skn!μn1γσndeN,n→∞,其中Sk=∑ki=1Xi,γ=σ/μ,σ2n=Varγ1∑k=n1kSμk-1,N是标准正态随机变量.     

弱相依半参数回归模型的加权小波估计的渐近正态性

本文研究了半参数回归模型y_i=X'_iβ+g(t_i)+e_i,i=1,2,···,n,其中{e_i}为ψ-弱相依随机误差序列.利用小波估计的方法得到了参数、非参数的加权小波估计量.在相当一般的条件下,获得了这些小波估计量的渐近正态性,不仅推广了半参数回归模型的相应结果,而且在一定程度上统一了相依半参数回归模型的渐近正态性的理论.     

关于记录值序列部分和的渐近正态性

证明了Burr分布和Frechet分布的记录值序列的部分和是渐进对数正态的，从而解决了[2]中的一个悬而未决的问题。     

关于记录值序列部分和的渐近正态性

证明了 Burr分布和 Frechét分布的记录值序列的部分和是渐进对数正态的 ,从而解决了文[2 ]中的一个悬而未决的问题