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。     

NA误差下半参数回归模型估计的相合性

对半参数回归模型:Y(xin,tin)=tinb+g(xin)+e(xin),1≤j≤m,1≤i≤n,本文在NA相依样本下讨论了g的加权估计及b的最小二乘估计的强相合性与r(>2)阶平均相合性,使得文献犤2犦在独立样本下的相应结果得到推广     

相协样本半参数回归模型估计的强相合性

考虑半参数回归模型Y^(j)(xin,lin)=tinβ g(xin) e^(j)(xin)，1≤j≤m，1≤i≤n,利用最小二乘法和权函数估计方法，定义β，g的估计量βm,n和gm,n(x)，在负相依样本及较弱的条件下证明了这些估计的强相合性，得到了与独立情形一致的结论．     

随机截断下NA样本半参数回归模型中的相合估计

本文研究固定设计下的半参数回归模型在相应变量Yi因受到某种随机干扰而被右截断且截断分布已知时,利用所获的截断观察定义了参数β和回归函数g(·)的估计,并证明了它们均具有强相合性.     

NA样本回归函数估计的强相合性

在ＮＡ相依样本下研究非参数回归函数加权核估计的相合性,获得了一些较弱的充分条件,与此同时对ＮＡ序列给出一个简洁实用的Ｂｅｒｎｓｔｅｉｎ型不等式。     

NA序列半参数回归模型小波估计的强相合性

对于半参数回归模型yi=xiβ+g(ti)+ei,i=1,2,…,n,对误差{ei,1≤i≤n}为NA序列,在适当的条件下研究了未知参数β的小波估计的强相合,同时也得到了未知函数g(t)的小波估计的一致强相合.     

相协样本半参数回归模型估计的矩相合性

考虑半参数回归模型Y(j) (xin,tin) =tinβ g(xin) e(j) (xin) ,1 ≤j≤m ,1 ≤i≤n .利用最小二乘法和权函数估计方法 ,定义 β ,g的估计量βm ,n和gm ,n(x) ,在负相依样本及较弱的条件下证明了这些估计的矩相合性 ,这些结论推广和改进了胡舒合 ( 1 997)关于独立情形的相应结论 .     

半参数回归模型小波估计的强相合性

考虑半参数回归模型y_i~(n)=X_i~((n)T)β+g(t_i~(n))+ε_i~(n)(1■i■n),其中β∈R~d为未知参数,g(t)为[0,1】上的未知Borel函数,X_i~(n)为R~d上的随机设计,随机误差序列{ε_i~(n)}为鞅差序列,{t_i~(n))为[0,1]上的常数序列．本文用小波的方法得到β、g(t)的估计量分别为■_n、■_n(t),并证明了它们的强相合性．     

固定设计下半参数回归模型估计的强相合性

对于半参数模型ｙｉ（Ｔ）＝βｘｉ（Ｔ）＋ｇ（ｔｉ（Ｔ））＋εｉ（Ｔ），本文综合最小二乘和一般的非参数估计方法，定义了β，ｇ的估计量βＴ，ｇＴ，在适当条件下证明了它们的强相合性，     

混合误差半参数回归模型估计的强相合性

对半参数模型y（n）i＝β（n）xi＋g（t（n）i）＋ε（n）i，i＝1，2，…，n，综合运用最小二来法和非参数估计法，定义了β，g的估计量　，gn，在误差为某些混合序列下，得到了，gn（t）的强相合性及gn（t）的一致强相合性．     

固定设计下半参数回归模型估计的相合性

对于固定设计下的半参数模型yi=x1β g(ti)┬ei=1，2……，n本文综合最小二乘法和一般的非参数权估计方法，定义了β，g的估计量-βn，-gn及误差方差口α^2=Ee^21的估计量-α^2n，并在适当条件下，证明了它们的强相合性与P(≥2)阶平均相合性．     

NA样本下随机设计的半参数回归模型的弱相合性

本文研究了误差为NA序列下随机设计的半参数回归模型的问题.利用权函数和最小二乘估计的方法给出了参数、非参数及误差方差的估计,在较弱的条件下获得了它们的弱相合性结果.     

异方差回归模型近邻型估计的相合性

本文研究异方差回归模型Ｙｉ＾（ｎ）＝ｇ（ｘｉ＾（ｎ））＋εｉ＾（ｎ）,ｉ＝１,…,ｎ,其中ｇ是右实函数,ｘｉ＾（ｎ）是非随机设计点列,εｉ＾（ｎ）是随机误差,文中定义了一类ｇ（ｘ）的近邻型估计ｇｎ（ｘ）＝（ｎ）∑（ｉ＝１）Ｗｍ（ｘ）Ｙｉ＾（ｎ）,得到了ｒ阶平均相全和渐近正态性,特别,在（∞）∑（ｎ＝１）（ｎ）∑（ｉ＝１）Ｅ／εｉ＾（ｎ）／＾ｓ／（ｎｉ）＾ｓ／ｒ〈∞,ｍａｘＥ（１≤ｉ≤ｎ）／εｉ（＾     

NA样本部分线性模型估计的强相合性

考虑回归模型:Y~((j))(x_(in),t_(in))=t_(in)β+g(x_(in))+σ_(in)e~((j))(x_(in)),1≤j≤m,1≤i≤n,其中σ_(in)~2=f(u_(in)),(x_(in),t_(in),u_(in))为固定非随机设计点列,β是未知待估参数,g(·)和f(·)是未知函数,误差{e~((j))(x_(in))}是均值为零的NA变量.给出基于g(·)和f(·)一类非参数估计的β的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的强相合性.     

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。     

半参数回归模型的几乎无偏岭估计

提出了半参数回归模型的几乎无偏岭估计,并与岭估计进行了比较,在均方误差意义下,几乎无偏岭估计优于岭估计. 然后讨论了有偏参数的选取问题. 最后,用模拟算例和实际应用说明了几乎无偏岭估计的有效性和可行性.     

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。     

半参数回归模型的迭代法

在补偿最小二乘法则下,采用迭代法考虑半参数回归模型Li=Ai^TX＋s（ti）＋△i（i=1,2,……n,）得到参数及非参数的估计;接着从理论上证明了该法的可行性,并给出了误差上界及确定迭代的最大次数;最后用模拟的算例说明该法的有效性．     

一个半参数模型渐近有效估计的构造

对半参数回归模型Ｙ＝ＸＴβ十ｇ（Ｔ）＋ε，分别在ε的密度函数已知、未知的情况下，构造出了β的渐近有效估计．     

半参数回归模型小波估计的弱收敛速度

本文研究了误差为鞅差序列情形下的半参数回归模型.利用小波方法,在相当一般的条件下,得到了参数、非参数估计量的弱收敛速度.