一类混合回归模型中估计的收敛速度

考虑回归模型y_i=x_iβ+g(t_i)+e_4,i=1,2,…,n,其中 g(·)是未知光滑函数,β是未知待估参数,e_4是随机误差.设{(x_4,t_4,y_4),1≤i≤n}是 i.i.d.子样.本文首先给出了 g(·)的一类近邻估计n(·),然后基于模型 y_4=x_4β+(t_4)+e_4得到了β的最小二乘估计.在适当条件下,证得了及 g(·)的最终估计(·)的强弱收敛速度.     

PA误差下半参数回归模型小波估计的r-阶矩相合性

对于半参数回归模型y_i=x_iβ+g(t_i)十e_i,(1≤i≤n),其中{e_i,1≤i≤n}为PA相依误差.在适当的条件下,利用极大部分和的矩不等式方法得到未知回归函数g(x)和未知参数β估计量的r-阶矩相合性.     

一类半参数回归模型中估计的相合性(Ⅰ)

考虑半参数回归模型(Ⅰ):y_i=x_iβ+g(t_i)+e_i,1≤i≤n,(1)其中,X=(x_1,…,x_n)′,T=(t_1,…,t_n)′是随机向量,e=(e_1,…,e_n)′是随机误差;且(X,T)与 e 相互独立,Ee_i=0,Ee_i~2=σ~2<∞;β是未知参数,g(t)是定义在[0,1]上的未知光滑函数.关于模型(Ⅰ)的研究,目前在文献上能见到的结果已有一些了,主要集中在讨论未知参数β的自适应估计(?)_n 的构造上;Schick 在文[7]中提出并讨论了模型(Ⅰ)的一类特殊情形,Heckman 在文[5]及 Chen 在文[2]中均讨论了当 g 的估计取一类光滑样条时,参数     

AANA误差下半参数回归模型中估计量的相合性

考虑如下半参数回归模型y_i=x_iβ+g(t_i)+σ_ie_i,i=1,2,…,n,n≥1,其中σ_i~2=f(u_i),(x_i,t_i,u_i)为已知设计点列.在适当的条件下,当误差为AANA变量时,本文研究了未知参数β和未知函数g的最小二乘估计与加权最小二乘估计的相合性,特别是p(p1)阶矩相合性和完全相合性,所得结果推广了误差为NA变量的相应结论.     

线性模型中\varphi-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β+e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

线性模型中φ-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

半参数回归模型小波估计的矩相合性

用小波方法,考虑半参数回归模型y_i=X_i~Tβ+g(t_i)+ε_i(1≤i≤n),其中β∈R~d为未知参数,g(t)为[0,1]上未知的Borel可测函数,X_i为R~d上的随机设计,随机误差{ε_i}为鞅差序列,{t_i}为[0,1]上的常数序列.得到参数及非参数的小波估计量的q-阶矩相合性.     

线程回归系数L_1估计弱相合性的一个必要条件

设 Y_i=x′_iβ_0+e_i,i=1,…,n,为线性回归模型。此处 x_1,x_2,…为已知 p 维向量。以β_n 记β_0的 L_1估计,即设随机误差 e_1,e_2,…独立,med(e_i)=0,且存在正数 l_1,l_2,使 P(-h≤e_i≤0)≤l_1h≥P(0≤e_i≤h),0≤h≤l_2,i=1,2,…则当时,β_n 不是β_0的弱相合估计。     

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.     

基于M—估计的误差密度估计

对于线性模型 Yi=x＇_iβ十e_i,i=1,2,...,{e_i}_(i= 1)~∞i.i.d.,e_1有未知密度函数f（x）,本文基于β的M-估计的残差:e_i=Yi—x＇_iβ,i=1,2,…,n,其中β为β的M-估计,用 f_n(x)=1/2na_n sum from i=1 to n I(x-a_ne_i^≤x a_n)估计f(x）,得到了这种估计的强收敛速度,一致强收敛速度,L_1-模相合性,渐近正态性,重对数律。     

部分线性模型中参数估计的Bootstrap逼近

考虑回归模型 :yi=xiβ+g(ti) +σiei,1≤ i≤ n.其中 σ2i=f(ui) ,(xi,ti,ui)是固定非随机设计点列 ,f (· )和 g(· )是未知函数 ,β是待估参数 ,ei 是随机误差 .对文 [1 ]给出的基于 g(· )及 f(· )的一类非参数估计的β的最小二乘估计β^ n和加权最小二乘估计βn,本文通过重抽样的方法构造了 β^n 和 βn 的 Bootstrap统计量 β^ *n 和 β*n .证明了在给定原样本的条件下 ,n (β^ *n -β^ n)和 n (β*n -β^ n)分别与 n (β^ n-β)和 n (βn-β)有相同的渐近分布 .     

回归系数线性函数的均方相合估计——问题与猜测

设有线性模型 Y_i=x′_iβ+e_i,i=1,…,n,… (1) 其中{x_i}为已知的p维向量,β为未知的p维向量,{e_i}为随机误差序列。以β_π记β的基于(1)的前n个观测值Y_1,…,Y_π的最小二乘估计(LSE)。在[1]中,我们曾建立如下的结果:     

误差为AANA序列线性回归模型M估计的强相合性

考虑线性回归模型y_i=x_i~Tβ_0+e_i,i=1,2,…,n,其中误差{e_i,i=1,2,...,n}为渐近几乎负相关的随机序列.研究了该模型中参数的M估计的强相合性,也得到了AANA序列的Bernstein型不等式,推广了NA样本的相应结论.     

鞅差误差下线性EV模型最小二乘估计的中偏差

研究了线性EV模型:η_i=θ+βx_i+ε_i,ξ_i=x_i+δ_i,1≤i≤n.当误差(ε_i,δ_i)为鞅差序列情形时,讨论了未知参数β和θ的最小二乘估计的中偏差问题.     

离散时间观测下的α-赋权分数桥的参数估计（英文）

本文研究了赋权分数桥dX_t=-α(X_t/T-t)dt+dB_t~(a,b),0≤tT,中未知参数α0的参数估计问题.其中B~(a,b)是参数为a-1.|b|1,|b|≤a+1的赋权分数布朗运动.似设对随机过程X_t进行离散观测t_i=i△_n,i=0,…,n,且T_n=n△_n.本文构造了α的最小二乘估计α_n.证明了当n→∞时,α_n依概率收敛到α.     

线性模型中误差方差估计的分布的渐近展开

<正> §1.引言许宝騄教授在他的著名的工作[1]中,得到了样本方差1/(n-1)sum from i=1 to n (X_i-(?))~2(经过规则化)的分布的渐近展开.本文的目的是把许教授的结果推广到线性模型中误差方差的基于残差平方和的估计.考虑线性模型Y_i=x′_iβ+e_i,i=1,2,…,n,…. (1)此处,{x_i}为一串已知的 p 维向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向     

纵向数据下半参数回归模型估计的收敛速度

考虑纵向数据下半参数回归模型:yij=x′ijβ+g(tij)+eij,i=1,…,n,j=1,…,mi.基于最小二乘法和一般的非参数权函数方法给出了模型中参数β和回归函数g(·)的估计,并在适当条件下证明了参数分量β的估计量的强收敛速度和未知函数g(·)的估计量的一致强收敛速度.     

半参数回归模型的误差方差的小波估计

考虑半参数回归模型yi=Xi'β＋g（ti）＋ei,1≤i≤n,其中β∈Rd为未知参数,g（t）为[0,1]上的未知Borel函数,xi为Rd上的随机设计,{ei}为i.i.d．随机误差本文构造了误差方差σi2=var（ei）的小波估计■,得到了■的渐近正态性,同时构造了var(ei2)的小波估计■,并且证明了■的弱相合性,由此可知■依分布收敛于N（0,1）,这一结果可用于构造σ2的大样本区间估计或对σ~2进行大样本检验。     

相依误差下回归系数 LS 估计的收敛速度

其中 x(ij)(j=1,…,p,i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p,为未知的回归系数,y_i,e_i 分别为第 i 次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))(?)≤(?)≤n,(?)≤j p 为 X_n,Y_n=(y_1,…,y_n)′,β=(β_1,…,β_p)′.并假定对某N,X′_N X_N 非退化,那么当 n≥N 时,X′_n X_n 亦非退化,且回归系数β的基于前 n 次量测值 Y_(?)及设计矩阵 X_(?)的最小二乘估计(通常简记为 LS 估计) b_(?)=(b_(?)1, …,b_((?)p)'为     

相依线性回归模型M-估计的线性表示（英文）

本文考虑如下线性回归模型y_i=x_i~Tβ+e_i,i=1,2…,n,其中e_i=G(…,ε_(i-1),ε_i)是平稳相依误差,ε_i,i∈Z是独立同分布的随机变量.在非凸函数的情形下,得到了参数β的M-估计的线性表示,并由此得到两个应用:强收敛速度和正态分布.最后,用一模拟算例来说明本文方法的有效性.