半参数回归模型中二阶段估计的渐近性质

给定半参数回归模型Y＝X′β g(T) e,其中β∈R^p是未知参数向量,g(t)是定义在[0,1]上的未知函数,e是随机误差,本文研究了β,,g(t)和σ2的估计量βn,gn(t)和σn^2,在适当的条件下证明了它们的渐近正态性,并给出了gn(t)的最优收敛速度。     

误差为鞅差序列的部分线性模型中估计的渐近正态性

考虑回归模型yi=xiβ g(ti) ei,i=1,2,…,n,其中(xi,ti)是固定非随机设计点列,g(.)是未知函数,β是待估参数,ei是随机误差且关于非降σ-代数列{Fi,i≥1}为鞅差序列,且满足E(e2n|Fn-1)-σ2=op(1),n→∞,其中0<2σ<∞为未知常数,本文基于g(.)的一类非参数估计的β的最小二乘估计■和2σ的估计量■,在适当条件下证明了其具有渐近正态性,从而推广了[1]在ei为iid情形下的结果.     

关于误差方差估计渐近正态收敛速度的上,下界

考虑线性回归模型 Y_■=x_4~′β+e_■ i=1,2,…设误差序列■,i≥1满足条件:e_■ i≥1 i.i.d.,Ee_1=0,Ee_1~2=σ~2>0,∞>Var e_1~2=τ~2>0。记■_n~2=1/(n-r){sum from j=1 to n e■-sum from k=1 to r (sum from j=1 to n a_(akj)■_j)~2} δ(n)=τ~(-2)E(■_1~2-σ~2)~2I_((|■-σ~2|≥■τ)+τ~(-3)n~(1/2)|E(■_1~2-σ~2)~3I_((|■_1~2-σ~2|<(nτ)~(1/2))+τ~(-4)n~(-1)E■_1~2-σ~2)~4I_((|■-σ~2|0使得■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|≤C(δ(n)+n~(-1/2)) ■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|+n~(-1/2)≥C_1δ(n)。     

半参数回归模型的渐近有效L-估计

对半参数回归模型yi=χiTβ+g(χi)+ei,i=1,2,…,n,对非参数函数g(·)采用核估计的方法,构造了参数向量β的L-估计量λn,在一些正则条件下,获得了λn的渐近正态性和非参数函数g(·)的估计量gn(t)的最优收敛速度可达到O(n-(1/3)),并且给出了标准化L估计量λn的渐近分布的Berry-Esseen界.     

误差为NA序列的半参数回归模型估计的r阶矩相合性

对于半参数回归模型y1=xiβ＋g(ti) ei,i=1,2,…,n,本综合最小二乘法和一般加权方法,定义了β,g(t)的估计量βn,gn(t),在误差为NA序列进,得到了βn,gn(t)的r(r≥2)阶矩相合性。     

NA样本固定设计下半参数回归模型中估计的强相合性

对于半参数回归模型yi=xiβ g(ti) ei，i=1，2,…，n(xi，ti)为已知的固定设计点列．本在误差{e．1≤n≤n)为NA序列时，对g(t)和σ的估计量gn~(t)和σn^2的逐点强相合。以及gn~(t)的一致强相合作了研究，得到比较理想的结果。     

Ψ-混合异方差误差下半参数回归模型的加权小波估计

考虑半参数回归模型yi=xiβ+g(ti)+σiei, i=1,2,…,n,其中(zi,ti,ui)是固定设计点列,ei为Ψ-混合随机误差.用小波估计方法得到了参数,非参数及误差方差的加权小波估计量.在相当一般的条件下,得到了这些小波估计量的渐近正态性及弱收敛速度.     

随机环境中具有迁入的分枝过程的时序估计量的性质

讨论时序估计量^m(c)~、m(c)期望、方差,得出估计量^2σn的渐近性质和估计量^mNc的一致渐近正态性.     

纵向数据变系数回归模型小波估计的渐近性质

考虑纵向数据下的变系数回归模型y_(ij)=x_(ij)~Tθ(t_(ij))+e_(ij)i=1,2,…,n j=1,2,…,m.利用小波光滑和加权最小二乘方法,分别研究了模型中未知参数θ(·)的小波估计θ(·)和误差方差σ~2的小波估计σ~2,在适当的条件下,证明了θ的强相合性,强相合速度,并得到θ和σ~2的渐近正态性.     

相依线性回归方程组的一种“朴实”两步估计的有效性

对于相依线性回归方程组Ｙｉ＝Ｘｉβｉ＋εｉ（ｉ＝１，２），我们提出了系数向量βｉ的一种较为简便的“朴实”的两步估计量，例如β１的估计量为β１（Ｔ）＝（Ｘ’１，Ｘ１）＾－１Ｘ‘１Ｙ１－σ１２σ２２（Ｘ’１Ｘ１）＾－１Ｘ‘１ＴＹ２。其中Σ＝（σｉｊ）的一种估计量，本文给出了Σ的一种新取法，通过均方误差矩阵的大小我们证明了这种简便两种估计有有限样本量下可优效于ＬＳ估计。     

复共线性与广义岭型估计

针对线性回归模型Y=Xβ+l的典则形式Y=a01+Z+l,l~(0,σ2I)在设计阵X呈病态时,提出了一类新估计■(k;q)=〔Λ1OOkIq+Λ2〕-1Z′Y,称之为广义岭型估计.优点是结合主成分估计和岭估计的思想和方法,将X′X的特征值分为不同大小属性的两部分Λ1与Λ2,并分别添加不同的常数,致使新估计类的均方误差大幅降低的同时计算量大大减少,而且便于对原变量做出解释.文中进一步讨论了该估计优于岭估计的k的存在性以及充分条件.     

产品可靠度的E-Bayes估计

提出了参数估计的一种新方法——E-Bayes估计法.对Pascal分布,给出了可靠度的E-Bayes估计的定义(在先验分布中有一个超参数情形),在此基础上给出了可靠度的E-Bayes估计,并给出了可靠度的E-Bayes估计性质——E-Bayes估计和多层Bayes估计的关系.最后,给出了模拟算例,结果表明本文提出的E-Bayes估计法可行且便于工程应用.     

Maximum Kernel Likelihood Estimation

We introduce an estimator for the population mean based on maximizing likelihoods formed by parameterizing a kernel density estimate. Due to these origins, we have dubbed the estimator the maximum kernel likelihood estimate (MKLE). A speedy computational method to compute the MKLE based on binning is implemented in a simulation study which shows that the MKLE at an optimal bandwidth is decidedly superior in terms of efficiency to the sample mean and other measures of location for heavy tailed symmetric distributions. An empirical rule and a computational method to estimate this optimal bandwidth are developed and used to construct bootstrap confidence intervals for the population mean. We show that the intervals have approximately nominal coverage and have significantly smaller average width than the standard t and z intervals. Finally, we develop some mathematical properties for a very close approximation to the MKLE called the kernel mean. In particular, we demonstrate that the kernel mean is indeed unbiased for the population mean for symmetric distributions.     

不合格品率的一个估计方法

本提出了一种参数的估计方法——E Bayes估计法．对产品的不合格品率,给出了E Bayes估计的定义和E Bayes估计,并在此基础上给出了E Bayes估计的性质和多层Bayes估计。最后,给出了模拟计算,结果表明本提出的方法可行且便于应用。     

状态概率的E-Bayes估计与多层Bayes估计

在文献[1]中提出了参数估计的一种方法--E-Bayes估计并给出了状态概率的E-Bayes估计的定义、E-Bayes估计公式、预测模型及其在证券投资中应用,本文在此基础上将给出状态概率的多层Bayes估计、状态概率的E-Bayes估计的性质--E-Bayes估计,多层Bayes估计的关系.最后,给出模拟算例.     

参数估计在最优化模型中的有效性及修正

证明了在涉及随机变量的最优化模型中,如果将参数估计和最优化求解过程分离,实际得到的最优化结果必然低于理论值,即参数估计在最优化模型中总是造成低效的结果。然后给出了两种可行的参数估计修正方法。     

Estimation of second-order properties from jittered time series

This paper considers spectral and autocovariance estimation for a zero-mean, band-limited, stationary process that has been sampled at time points jittered from a regular, equi-interval, sampling scheme. The case of interest is where the sampling scheme is near regular so that the jitter standard deviation is small compared to the sampling interval. Such situations occur with many time series collected in the physical sciences including, in particular, oceanographic profiles.Spectral estimation procedures are developed for the case of independent jitter and autocovariance estimation procedures for both independent and dependent jitter. These are typically modifications of general estimation procedures proposed elsewhere, but tailored to the particular jittered sampling scheme considered. The theoretical properties of these estimators are developed and their relative efficiencies compared.The properties of the jittered sampling point process are also developed. These lead to a better understanding, in this situation, of more general techniques available for processes sampled by stationary point processes.     

非线性模型中的拟似然估计和约束拟似然估计

该文证明了,在非线性回归模型中,若以均方误差或均方误差矩阵为标准,拟似然估计是正则广义拟似然估计类中的最优估计,并讨论了拟得分函数最优性与拟似然估计最优性的关系.为改进拟似然估计,该文提出了一种约束拟似然估计,并证明了约束拟似然估计比拟似然估计有较小的均方误差.     

Efficient Density Estimation for Ergodic Diffusion Processes

The problem of asymptotically efficient estimation of the density of invariant measure of a diffusion process is considered. The efficient estimator is defined with the help of the minimax lower bound on the risk of all estimators. We show that the local–time and kernel–type estimators are asymptotically efficient for the loss functions with polynomial majorants. The asymptotic behavior of a wide class of unbiased estimators with the same limit variances is also discussed. This revised version was published online in June 2006 with corrections to the Cover Date.     

线性回归问题中的一个估计

在线性回归问题中的病态条件下,提出了一个新的有偏估计及容许性证明.[1]中的估计实为此估计的一个特例.进一步针对两种特殊情况,给出了特殊的有偏估计及其容许性证明.