连续时间下非参数回归模型的误差密度估计的渐近均方误差

本文研究了连续时间下非参数回归的误差官度估计的收敛速度，给出了一定条件下误差密度的估计量^fT(x)的均方收敛速度，详细说明了以下重要结果：E[^fT(x)-f(x)]^2＝O(T^-1/4)其中f(x)表示误差过程｛et,t≥0｝的未知密度。     

连续时间下非参数回归模型的误差密度估计

本文研究连续时间下非参数回归的误差密度估计问题，给出误差密度的一个核估计量，利用回归函数的核估计在紧区间上一致均收敛的结论证明了该统计量渐近无偏差，均方相合法，并说明了该核估计中窗宽选取的办法。     

一类密度估计的收敛速度

Prakasa Rao在文献[1]中提出一类密度估计fn(x)，我们得到当x固定时fn（x）-f(x)的a.s，收敛速度及fn(x)正态逼近的Berry-Easeen界，同时，给出sup|fn(x)-f(x)|的一致收敛速度。     

具有ARCH误差的回归模型参数估计的收敛速度

西方讨论了具有ＡＲＣＨ误差的回归模型参数估计的收敛速度。     

相依样本非参数回归模型误差的相合估计

考虑非参数回归模型Y_i=g(X_i) c_i,i=1,2,…,其中误差㈦)为吵混合随机变量序列且具有公共的未知密度f(·),g(x)=E(Y|X=t)为未知回归函数。本文首先基于g(·)的非参数估计l(x)定义残差,然后基于残差构造f(·)的估计l(x),最后在适当条件下建立l(x)的逐点相合性及一致强相合性。     

三类密度估计收敛速度的比较

为估计某未知密度函数,我们有三种常用的估计法——最近邻法、核估计法和经验密度法。对前两类估计法,陈希孺给出了最好的强收敛速度。本文用向 Brownianbridge 强逼近的方法证明了经验密度估计也可达到上述收敛速度,且所需条件比[2]稍弱。     

半参数回归模型参数估计的收敛速度

没有半参数回归模型Y=X’β g(T) e,其中(X,T)为取值于R~p×[0,1]上的随机向量,β为p维未知参数向量,g是定义在[0,1]上的未知函.e为随机误差,Ee=0,Ee~2=σ~2>0,且(X,T)与σ独立.参数β和σ~2的估计量(?)_n和(?)_n~2通常可利用非参数的权函数估计法与参数的最小二乘方法的结合得到.本文对核函数的情形得到了(?)_n和(?)_n~2的精确的收敛速度——重对数律.所施条件则与证明(?)_n和(?)_n~2的渐近正态性时施加的条件一致.又本文的证明方法对一般的权函数也适用.     

半参数回归模型非参数分量L1模估计的最优收敛速度

对半参数回归模型，采用分段多项式逼近非参数函数，构造了参数与非参数分量Ｌ１模糊估计，并获得了非参数分量Ｌ１模估计的最优估计收敛速度为Ｏｐ（ｎ＾－ｍ＋ｒ／［２（ｍ＋ｒ）＋１］）。     

一类密度估计的收敛速度

ＰｒａｋａｓａＲａｏ在文献［１］中提出一类密度估计ｆｎ（ｘ），我们得到当ｘ固定时ｆｎ（ｘ）－ｆ（ｘ）的ａ．ｓ．收敛速度及ｆｎ（ｘ）正态逼近的Ｂｅｒｒｙ－Ｅｓｓｅｅｎ界，同时，给出ｓｕｐｘ｜ｆｎ（ｘ）－ｆ（ｘ）｜的一致收敛速度     

半参数回归模型中误差方差估计之分布的非一致性收敛速度

Engle等人将气候条件对电力需求关系归结成半参数回归模型其中{e_j,1≤j≤n}是iid.的随机误差,均值为0,方差σ~2>0,{(X_j;T_j),1≤j≤n}是R~p×[0,1]上的随机设计点列且与{e_j,1≤j≤n}相互独立,{T_j,1≤j≤n}iid.,β是p维未知回归参数,g(t)是定义在[0,1]上的未知回归函数。     

一类非参数回归函数估计的性质

设Z_(11),z_(12),…,Z_是在固定点(x_i,y_1),1≤≤n_1,1≤j≤n_2,的n_1n_2个观察值,适合模型 Z_(ij)=g(x_i,y_j)+ε_(ij),1≤i≤n_1,1≤j≤n_2。(1) 本文给出了g的一种估计并讨论了估计的性质。     

误差为鞅差序列的非参数回归模型的完全相合性

在误差为鞅差序列的条件下,利用截尾方法及鞅差序列的指数不等式,研究了非参数回归模型P-C估计量的完全收敛性,且得到了完全收敛的收敛速度.     

竞争风险场合PL型估计的强一致收敛性

本文构造了竞争风险场合分布函数的乘积极限（PL）型估计，运用经验过程的强逼近理论及Toylor展开方法，给出了PL型估计在全直线上的强一致收敛速度及其充分必要条件。     

半参数回归模型的一类压缩估计

研究了半参数回归模型的参数估计问题,利用压缩估计方法给出了模型的一类有偏估计,并与最小二乘估计、岭估计、几乎无偏岭估计进行了比较.在均方误差意义下,新的压缩估计明显优于最小二乘估计.最后讨论了有偏参数选取的问题.     

竞争风险场合PL型估计的弱一致收敛性

本文构造了竞争风险场合分布函数的乘积极限（PL）型估计，运用经验过程的逼近理论及Taylor展开方法，给出了PL型估计在全直线上的弱一致收敛速度及其充分必要条件。     

����MA($\infty$)����°����ģ��С�����Ƶ������ٶ�

考虑半参数回归模型$y_i=x_i\beta+g(t_i)+V_i$ $(1\le i\len)$, 其中$(x_i,t_i)$是已知的设计点, 斜率参数$\beta$是未知的,$g(\cdot)$是未知函数, 误差$V_i=\tsm^\infty_{j=-\infty}c_je_{i-j}$,$\tsm^\infty_{j=-\infty}|c_j|<\infty$并且$e_i$是负相关的随机变量.在适当的条件下, 我们研究了$\beta$与$g(\cdot)$小波估计量的强收敛速度.结果显示$g(\cdot)$的小波估计量达到最优收敛速度. 同时,对$\beta$小波估计量也作了模拟研究.     

非参数回归函数核估计的Lp收敛速度

在p≥1和适当的条件下，给出了回归函数m(x)＝E（Y|X＝x）的核估计的若干种Lp收敛速度，改进并推广了韦来生（1984）的结果。     

混合误差下回归函数小波估计的一致收敛速度

该文构造了回归函数的一类小波估计，在误差序列为ψ 混合或φ 混合下得到了小波估计的强一致收敛速度和狉阶矩一致收敛速度．