线性模型中M估计分布的随机加权方法逼近

在线性模型中,M估计的渐近分布通常都涉及到不易估计的未知误差分布的某些量,如果要估计渐近方差,就需对这些冗余参数进行估计.利用随机加权方法可以避免先对误差分布中的冗余参数进行估计.给出了当自变量是随机变量时,M估计分布的随机加权逼近,证明了M估计分布的随机加权逼近是一致相合的.当取不同的凸函数,样本大小和随机权时,进一步利用蒙特卡洛方法研究估计分布.研究表明随机权取泊松权时,不仅达到同样的效果而且可以减小计算量.     

半参数回归模型中随机加权M估计的强逼近

用随机加权法给出了半参数回归模型中参数的随机加权M估计，在一般的条件下证明了用随机加权统计量的分布逼近原估计量误差的分布的强有效性，并给出了M估计的最优强收敛速度。     

密度核估计的随机加权法

利用随机加权法的思想,找出概率密度函数估计的随机加权统计量,在适当的条件下证明随机加权分布逼近核估计误差分布的精度为     

线性模型中误差方差估计的随机加权逼近

本文利用对样本随机加权的思想,构造了线性模型中误差方差估计的抽样分布的一种新的逼近,与传统的Boostrop方法相比,随机加权逼近不需要样本独立同分布的假设,在很广泛的条件下,我们证明了新逼近方法的相合性。     

线性模型M估计分布的Bootstrap逼近的强收敛

本文讨论标准线性模型M估计分布的随机加权逼近，建立了随机加权M估计的线性表示及Bootstrap强逼近，同时还得到了逼近的一致强收敛速度，其主要部分的阶在Berry－Esseen意义下已达最优．     

线性模型中M检验原假设分布的随机加权逼近

在线性模型中M-方法可以用于线性假设检验, 其中M检验、Wald检验和Rao的计分型检验是最常用的检验准则. 但是在计算这些检验的临界值时都涉及到未知参数的估计. 在本文中我们利用随机加权的方法来逼近这些检验的原假设分布. 结果表明在原假设和局部对立假设之下随机加权统计量的渐近分布与原检验统计量在原假设之下的渐近分布相同. 因此我们不需要对冗余参数进行估计,利用随机加权的方法就可以得到这些检验的临界值. 而且在局部对立假设之下可以实现对功效的计算. 当取不同的误差分布和不同的随机权时, 我们对本文的方法进行了蒙特卡洛模拟. 结果表明用随机加权方法来逼近原假设分布是非常精确的.     

多元线性模型中随机回归系数和参数的线性估计的泛容许性

本文对于一般的随机效应多元线性模型，给出了随机回归系数和参数的线性可估函数的泛容许性估计的定义，并得到了随机回归系数和参数的线性可估函数的齐线性估计在齐线性估计类中泛容许性的特征。     

回归函数核估计的随机加权法

本文利用随机加权法的思想,构造了回归函数g(x)的核估计     

线性模型中M估计的渐近性质

线性模型中Ｍ估计的渐近性质吴耀华（中国科学技术大学数学系，合肥２３００２６）ＡＳＹＭＰＴＯＴＩＣＢＥＨＡＶＩＯＲＯＦＭ－ＥＳＴＩＭＡＴＯＲＳＩＮＬＩＮＥＡＲＭＯＤＥＬＳ￥ＷｕＹＡＯＨＵＡ（ＤｅｐａｒｔｍｅｎｔｏｆＭａｔｈｅｍａｔｉｃｓ，Ｕｎｉｖｅｒｓ...     

多元线性模型中随机回归系数和参数的最优估计

本文研究了一般的随机效应多元线性模型中线性可估函数的最优线性无偏估计。特别地 ,考虑了一类特殊的估计 :Φ-线性估计 ,给出了 Φ-线性可估函数和最优 Φ—线性无偏估计的定义。得到了 Φ-线性可估函数的最优Φ—线性无偏估计 ,并证明了它在几乎处处意义下的唯一性     

删失回归模型的随机加权逼近

Raoand Zhao(1992)提出了一种用随机加权的方法去逼近线性回归模型中M-估计的渐近分布。之前，Fang and zhao(2002)把这种方法推广到设计阵是随机的删失回归模型．本文，我们把这个结果推广到设计阵是非随机的删失回归模型，并证明该随机加权方法的一些大样本性质。     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

线性模型中加权混合估计相对于最小二乘估计的两种相对效率

本文提出了线性模型中加权混合估计相对于最小二乘估计的两种相对效率,并给出了这些相对效率的上下界.     

变系数部分线性模型的加权随机约束s-K估计

研究随机约束条件下半参数变系数部分线性模型的参数估计问题,当回归模型线性部分变量存在多重共线性时,基于Profile最小二乘方法、s-K估计和加权混合估计构造参数向量的加权随机约束s-K估计,并在均方误差矩阵准则下给出新估计量优于s-K估计和加权混合估计的充要条件,最后通过蒙特卡洛数值模拟验证所提出估计量的有限样本性质.     

随机加权法的强逼近及其应用

本文研究了由随机加权法产生的经验过程及分位点过程的强逼近。     

随机适应误差下线性模型参数M估计的渐近性质

在一些较弱的充分条件下,本文研究了误差为随机适应序列下,线性模型回归参数M估计的强相合性.与文献中已有结果比较,扩大了应用范围,且对矩条件也有较大改进.同时我们给出了随机适应误差下线性模型参数M估计的渐近正态性.     

部分线性模型的随机约束岭估计

研究了部分线性回归模型附加有随机约束条件时的估计问题.基于Profile最小二乘方法和混合估计方法提出了参数分量随机约束下的Profile混合估计,并研究了其性质.为了克服共线性问题,构造了参数分量的Profile混合岭估计,并给出了估计量的偏和方差.     

序集抽样中$M$估计分布的随机加权逼近

序集抽样是一种适用于准确测量花费太高而排序费用可以忽略不记时的一种抽样方法.讨论了序集抽样下的对于一般分布族M估计的相合性和渐近正态性并且通过随机加权的方法来估计M估计的分布.