最近邻密度估计的收敛速度

设x_1,x_2,…,x_n是从某个具有分布F(x)和密度f(x)的一维总体中抽的独立同分布的样本。为了估计f(x),1965年Loftogarden和Quesenberry提出了下面的方法:选定一个与n有关的自然数k(n),找最小的a_n(x),使区间内所包含的样本点x_1,x_2,…,x_n的个数不小于k(n)。然后以作为f(x)的估计。这在文献中常称为最近邻估计。本文目的是证明了下列定理: 定理 设f(x)和f″(x)在全直线上都是有界的,若取k(n)使极限非零且有限则     

最近邻密度估计的收敛速度

Loftsgarden和Quesenberry在文献[1]中提出了概率密度函数f的最近邻估计f_n。在本文中,我们得到了1)f_n(x)—f(x)当x固定时的 a.s.收敛速度。2)sup|f_n(x)—f(x)|的一致收敛速度。3)f_n的a.s.L_r-相合性。我们也证明了f_n(x)在x固定时的渐近正态性,以及下述结果:若除了f在R₁上一致连续外无其他假定,则sup|f_n(x)—f(x)|的收敛速度可任意慢。     

最近邻回归估计的正态逼近速度

本文利用Berry－Esseen定理，在一定的条件下，得到了最近邻回归估计逼近于正态分布的速度．     

最近邻密度估计的一致收敛速度

设X₁,…X_n是从具密度函数f的一维总体中抽出的iid。样本。1965年,Loftsgarden等在[1]中提出了如下的估计f(x)的方法:选择最小的a_n(x)=a_n(x;X₁,…,X_n),使区间[x-a_n(x),x+a_n(x)]中至少包含X₁,…,X_n中的K_n个样本     

刀切最近邻密度估计的强收敛速度

设X_1,…,X_n是从具有分布F和密度f的一维总体中抽出的iid样本。1965年Loftsgarden和Quesen berry在[1]中提出f(x)的最近邻密度估计f_n(x)=(k_n-1)/2nv_n(x)(1)其中k(?)k_n为预先选定的与n有关的自然数,v_n(x)是使[x-v_n(x),x v_n(x)]中至少含k个样本点的最小的v_n(x)。这种估计引起了不少作者的兴趣,在关于相合性及其收敛     

最近邻密度估计的逐点强收敛速度

Let X_1,…,X_n be i.i.d,samples drawn from an one-dimenslonal,population withdensity f.Definef_n(x)=(na_n(x))~(1-) sum form i=1 to n K((X-X_i)/(a_n(x))).We study the strong convergence rate of f_n(x) to f(x)at a predetermined point x_o.Under some properly chosen conditions,for f(x_o) and g_n(x_o)proposed in [3],we havepointwisebywhere C_n is any sequence tending to ∞,and n approaches ∞.If f(x)is only assumed tobe continuous at x_o.Then f_n(x_o)may converges to f(x_o)arbitrarily slowly.     

最近邻回归估计的随机加权逼近

研究了一种最近邻回归估计的分布逼近问题，利用随机加权法，给出了最近邻回归估计误差的逼近分布及其逼近的精度，从而改进了文献「１」的结论。     

一类密度函数最近邻估计的一致收敛速度

<正> 设 X_1,X_2,…,X_n 是来自 R_d(d≥1)上的具分布函数 F(x)的总体的 iid.样本.F(x)有概率密度 f(x),k=k(n)是与 n 有关的自然数.找最小正数 a_n(x),使得     

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。     

非参数回归函数最近邻估计的强收敛速度

<正> §1.引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为iid d×1维随机向量,E|Y|<∞.对x=(x~(1)),…,x~(d))∈R~d,取‖x‖为欧氏模或对固定的x∈R~d,将(X_1,Y_1),…,(X_n,Y_n)按照     

截断样本下最近邻估计的强一致收敛速度

本文用最近邻方法寻找在截断样本下的密度估计,证明它的强收敛性并寻求其收敛速度。在某些截断情况下,本文找到的密度估计的收敛速度不仅达到了最佳并且改进了[4]中的收敛速度。     

最近邻预测问题中条件风险估计的强收敛速度

设(X_4,θ_4),i=1,2,…,n,是d 1维随机向量(X,θ)的iid.样本。又设L_n是平方损失下最近邻(简记为NN)预测在给定(X_4,θ_4),i=1,2,…n条件下的风险。众所周知,在一定条件下L_n→2E~*,a.s.,这里R~*表示Bayes风险。L_n的NN估计定义为其中θ_(nj)表示以(X_1,θ_1),…,(X_(j-1),θ_(j-1),(X_(j 1),θ_(j 1),…,(X_n,θ_n)为训练样本时,通过X_j=x_j对θ_j所做的NN预测。本文在E|θ|~(2 δ)<∞(δ>0)以及其他一些条件下证明了其中ξ是一个事先任意给定的近于0的正常数。     

非参数回归函数最近邻估计LP收敛速度

本文拟给出非参数回归函数最近邻估计L_P收敛速度的一般性结果,同时把韦来生等的结果(见文[1])作为本文结果的一种特殊情形。本文的证明思路源于文[1]。 我们仔细研究了文[1]的证明过程,发现文[1]的主要定理(后称定理)的条件“m(x)适合阶为1的lipschitz条件”可减弱为“m(x)在(A为指标集,θ_j为R~d中的     

最近邻估计在任意紧集上一致强收敛速度

在这篇文章中,我们提出了最近邻估计在任意紧集上一致强收敛速度的概念,得到了一些较好的收敛速度.因此,最近邻估计的逐点强收敛速度问题是本文的特例,扩大了最近邻估计的应用范围.     

α-混合随机序列最近邻密度估计的强相合收敛速度

设{Xi）i=1^∞是一维平稳序列，具有公共的未知密度f（x），在{Xi}i=1^∞是α-混合的条件下，给出了f（x）基于前礼个观测值{Xi}i=1^∞的最近邻密度估计的强相合收敛速度，当f（x）满足适当条件，收敛速度可达到0（n^-1/3（ln n）^4（1＋p）／3））．     

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.     

非参数回归函数最近邻估计Lp收敛的速度

Let (X,Y) be a R^d×R¹-valued random vector with E(|Y|)<∞,m(x)=E(Y|X=x) be the regression funvion of Y with respect to X.Suppose that (X_i, Y_i),i=1, …,n, are iid samples drawn from (X,Y). It is desired to estimate m(x) based on these samples,everoye discussed in 1981 (see [2]) the pointwise L_p-convergence of the nearest neigthoor estimate m_n(x) (see (5) of the present paper). In this article we further study the rate of this convergence.It is shown that if there exists p≥2 such that E |Y|^p<∞,then E|m_n(x)-m(x)|^p=O(n^-p/(d+2))a.s. for suitabte choice of the weighte C_m (see(4) of the present paper).     

最近邻判别法中错误概率估计的强收敛速度(英文)

本文考虑最近邻判别法中错误概率估计的强收敛速度.设(X,θ),(X_1,θ_1),…,(X_n,θ_n)为取值于 R~m×{1,2,…,M}的 i.i.d.样本,m≥1,M≥2为正整数.记θ′_n 为θ的最近邻判别,错判概率 R_n=p(θ′_n≠θ),恒有(?)R_n=R.(?)_n 为基于 X,并借助于训练样本(X_1,θ_1),…,(X_nθ_n)的 R_n 的估计量.我们证明了在一组条件下,及对适当选取的α>0,有(?)_n-R=0(1/(n~α)).     

独立样本最近邻密度估计的强相合速度

设X，X2，…,Xn是独立同分布样本，具有共同的密度函数f(x),在f(x)满足适当的条件下给出最近邻密度估计的强相合收敛速度，其速度可达到O（n^-1/3(olgn)^1/3。