带有相依误差的函数型线性模型的复合分位数估计

本文研究了带有相依误差的函数型线性回归模型的复合分位数估计问题,其中误差来自短期相依和严平稳的线性过程.采用函数型主成分基函数对斜率函数和函数型预测变量进行展开并构造了斜率函数的估计,在相当宽松的条件下证明了斜率函数估计的最优收敛速度.最后通过理论模拟来评价所提出的方法,并给出了一个实际例子.     

强相依数据的函数系数部分线性模型的估计

本文讨论在数据是强相依的情况下函数系数部分线性模型的估计．首先,采用局部线性方法,给出该模型函数项函数的估计;然后,使用两阶段方法给出系数函数的估计．并且讨论了函数项函数估计的渐近正态性,以及系数函数估计的弱相合性和渐近正态性.模拟研究显示,这些估计是较为理想的．     

相依样本下线性模型误差分布的相合估计

对于线性模型狔犻＝狓犻′β＋犲犻，犻＝１，…，狀，设误差序列｛犲犻｝是平稳的α 混合序列，犳（狓）为其 公共的未知密度函数，我们讨论了基于残差的犳（狓）的核估计＾犳狀（狓）＝１狀犪狀∑狀犻＝１犓（＾犲狀犻－狓犪狀）的弱相合性、逐点强相合性、一致强相合性及其收敛速度，其中＾犲狀犻为Ｌ．Ｓ．估计的残差．     

$NA$ 相依样本部分线性模型估计理论

考虑部分线性模型 ,其中误差为NA相依样本,具有公共未知分布函数G(·),卢为未知参数, g(·)为未知函数.本文首先建立β和g(·)的相合性估计βn和gn(·),然后基于βn和gn(·)构造出G(·)的非参数估计Gn(·),最后在适当条件下,建立了Gn(·)一致强相合于G(·).     

长程相依情形下部分线性回归模型的估计理论

讨论固定设计点部分线性模型Yn,j=xn,jβ g（tn,j） En,jj=1,2,…;n,其中（xn,j,tn,j）∈R×[0,1]是非随机的固定设计点,β是待估计的本知参数,g（.）是定义在[0,1]则上的未知的光滑函数,{En,j}是长程相依的随机误差．本文在一定的正则性条件下得到了部分线性模型中参数β和函数g(.)的估计的弱相合性、均方相合性和收敛速度,同时得到了这些估计的渐近表示和渐近分布．本文所得到的结果与独立和弱相依情形下的结果有很大的差别．     

函数型部分线性乘积模型的B-样条估计

本文研究了函数型部分线性乘积模型,该模型可用于响应变量为正数的函数型数据的统计建模问题,经过对数变换后模型转化为函数型部分线性模型.基于B-样条,通过极小化最小一乘相对误差(LARE)和最小乘积相对误差(LPRE),分别给出模型的LARE估计和LPRE估计,其中B-样条基的维数利用Schwarz信息准则选取.对两种估计方法分别给出斜率函数估计的相合性和参数部分估计的渐近正态性,并且证明了斜率函数的收敛率达到了非参数函数估计的最优速率.蒙特卡洛模拟用来比较所提出的方法与最小一乘(LAD)估计和最小二乘(LS)估计在不同误差分布下的有限样本性质,模拟结果表明所提方法是有效和实用的.最后通过一个实际数据分析的例子来说明模型的应用.     

相依误差广义线性模型的M估计的Bahadur表示

考虑如下广义线性模型y_i=h(x~T_i,β)+e_i=1,2,…,n,其中e_i=G(…,ε_(i-1),ε_i),h是一个连续可导函数,ε_i是独立同分布的随机变量,并且它的期望为0,方差σ~2有限.本文给出了参数β的M估计,并且得到了该估计的Bahadur表示,该结论推广了线性模型的相关结论.应用M估计的Bahadur表示,得到了相依误差的线性回归模型,poisson模型,logistic模型和独立误差的广义线性模型等模型的渐近性质.     

线性模型中误差为相依情形下误差方差估计的Berry—Esseen界限

本文主要讨论了线性模型中误差为α－混合强一稳序列情形下，误差方差估计的Ｂｅｒｒｙ－Ｅｓｓｅｅｎ界限，其阶为ｎ＾－１／２＋λ。     

相依数据部分线性模型的M估计的收敛速度

讨论了相依数据部分线性模型的M估计的收敛速度问题,在一定条件下,证明了参数分量的M估计具有渐进正态性,非参量分量的回归B样条M估计达到非参数回归的最优全局收敛速度,这里的理论结果包括最小一乘估计、最小二乘估计、Huber M估计及L_p模估计作为特例.     

部分线性函数-结构关系模型的估计

本文研究解释变量为(x,T)的部分线性变量含误差模型,其中x为固定变量,T为随机变量.文中导出了未知参数的两阶段估计,证明了估计的强相合性,并且还证明了未知函数的核估计量是强一致相合的.     

部分线性函数-结构关系模型的估计

本文研究解释变量为(x,T)的部分线性变量含误差模型,其中x为固定变量,T为随机变量.文中导出了未知参数的两阶段估计,证明了估计的强相合性,并且还证明了未知函数的核估计量是强一致相合的.     

弱相依误差线性回归模型M-估计的弱相合性

本文考虑线性回归模型yi=xTiβ+ei,i=1,2,…,n,其中ei是(ε,ψ)-弱相依随机误差.在较一般的条件下,我们得到了M-估计弱相合性的统一结果,该结果推广了线性回归模型M-估计的相应结论,包括所有时间序列相依误差,如:高斯序列、相协序列、Bernoulli漂移、Markov链、一些广泛使用的线性或非线性时间...     

相依样本下污染线性模型的最近邻估计

考虑一般线性模型,设误差序列{ei}是平稳的α-混合序列,具有公共未知密度,f(x)．本文首先讨论了基于残差的f(x)的最近邻估计的相合性及收敛速度,然后把结论推广到污染线性模型,讨论了污染系数ε,误差的主体分布及回归系数β的估计的相合性,收敛速度以及(β|^)的渐近正态性．     

NSD误差下线性模型LAD估计的线性表示

考虑了NSD误差下的线性模型并建立回归参数LAD估计的线性表示.这些结果将独立误差的情形推广和改进到NSD误差的情形.作为一个应用,获得了LAD估计量的收敛率.     

基于众数回归的部分函数型线性可加模型的稳健估计

本文讨论部分函数型线性可加模型参数的稳健估计,该模型由经典的可加回归模型和函数型线性模型组合而成.采用B-样条基函数对模型中斜率函数和非参数可加函数进行近似,然后通过最大化众数回归目标函数得到基于众数回归的估计.在一些正则条件下,本文给出估计的收敛速度和渐近分布.最后通过模拟计算和应用实例以表明所提方法的有效性.模拟结果表明,该方法不仅具有稳健性,即不易受污染数据或厚尾分布的影响,而且在信噪比较大时可以与最小二乘方法有相同的表现.     

部分线性模型误差分布估计的重对数律

考虑部分线性模型，其误差是i．i．d．随机变量，具有公共未知分布G．基于残差构造G的非参数光滑估计■n。本文建立了■n。收敛于G的Chung－Smirnov型上极限和Kolmogorov-Smirnov，Cramer－VonMises型下极限重对数律。     

部分线性变系数模型中误差方差的估计

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在建模中应用非常广泛的模型.本文基于Profile最小二乘方法给出了模型中误差方差的估计并证明了该估计的渐近正态性.最后通过数值模拟验证了我们所提估计方法的有效性.     

因变量缺失下部分线性变系数变量含误差模型的估计

该文主要考虑部分线性变系数模型在自变量含有测量误差以及因变量存在缺失情形下的估计问题.基于Profile最小二乘技术,针对参数分量和非参数分量提出了多种估计方法.第一种估计方法只利用了完整观测数据,而第二种和第三种估计方法分别利用了插补技术和替代技术.参数分量的所有估计被证明是渐近正态的,非参数分量的所有估计被证明和一般非参数回归函数的估计具有相同的收敛速度.对于因变量的均值,构造了两类估计并证明了它们的渐近正态性.最后,通过数值模拟验证了所提方法.     

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.     

部分线性自回归模型中误差方差的核估计

基于非参数函数的核估计,构造了部分线性自回归模型中误差四阶矩的相合估计,从而给出了误差方差核估计的渐近正态性,并通过模拟算例和实例说明了其应用.