强混合样本回归函数估计的强相合性

本文基于强混合样本，给出回归函数核估计的强相合性，全面地改进了胡舒合（１９９５）所得的相应的初步结果。     

截尾数据非参数回归函数加权核估计的强相合性

本文对截尾数据其随机误差分别为独立与ψ－混合两种情形得到了非参数回归函数加权核估计的强相合性。     

截断数据下非参数回归函数估计的强相合性

本文给出了截断数据下非参数回归函数ｍ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的两种估计。在一定的条件下证明了第一种估计的强相合性且给出了第二种估计的强收敛速度。     

一种基于样条方法的非参数回归的强相合估计

其中(X,Y)为二元随机变量,E(e|X)=0 a.s.设(X_i,Y_i),i=1,…,n为(X,Y)的n个独立观察值,我们的目的是寻找一个回归函数G(X)的相合估计。 对于这个问题的讨论,已经相当深入。目前主要集中在权函数法,这方面的结果可见[8],[9],[10],但是我们应该指出的是,在权函数法中所使用的权函数大都是人为选定的。例如核函数法,近邻方法。即使在使用cross-validation技术,也只是在于选择窗     

二类跳跃回归函数的强相合估计

本文将研究二类跳跃回归函数的估计问题。对于跳跃点个数已知、跳跃点位置未知、跃度已知或未知这二类跳跃回归函数,本文提出了核差估计的思想,并在较弱的条件下证明了该估计是a.s.和L~2相合的。本文的核差估计适合于多个跳跃点存在的情形,它与已有的跳跃回归函数的一些估计方法相比,具有思想直观、统计性质好、估计方法灵活等特点。     

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。     

非参数回归函数核估计的强收敛速度

本文给出回归函数m(x)=E(Y|X=x)满足λ(0<λ≤1)阶Lipschitz条件,且E|Y|~r<∞,r>1时,对m(x)的核估计有同时本文也改善了赵林城、方兆本(1985年)和孙东初(1985年)关于m_n(x)强相合于m(x)的结果。     

基于指数矩鞅差序列非参数回归函数的估计

本文研究了误差项是鞅差序列,且满足某种指数矩条件的非参数回归函数的估计.利用鞅的某种指数不等式,得到了其加权核估计的强相合以及在有限闭区间内一致强相合的性质,并在某种意义上推广了[5]的结果.     

￠－混合误差下非参数回归函数加权核估计的相合性

本文在－混合误差下讨论Ｐｒｉｅｓｔｌｅｙ，Ｍ．Ｂ．和Ｃｈａｏ，Ｍ．Ｔ［１］提出的一类非参数回归函数加权核估计的相合性。在较弱的条件下证明了它的完全收敛性和强相合性。这些结论改进了现有的独立情形和相依情形的相应结论。     

相依样本分布函数、回归函数的非参数估计的强相合性

设 X_1,X_2,…,X_n 是来自未知分布函数 F(x)的 R~d(d≥1)维随机样本,通常用基于 X_1,X_2,…,X_n 的经验分布函数 F_n(x)来估计 F(x).当样本是独立时,'F_n(x)的大样本性质是众所周知的.Yamato 在1973年提出了 F(x)的核估计的方法:设 W_(?)(x)是 R~d 上的已知分布函数,定义 F(x)的核估计为     

基于相依函数型数据非参数回归函数的稳健核估计

本文研究了基于相依函数型数据非参数回归函数的核估计.利用稳健的方法,在一定条件下获得了与i.i.d.场合下类似的估计量的几乎完全收敛速度,推广了现有文献中的相关结论.     

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     

混合误差下回归权函数估计的强相合性

对非参数模型Ｙｉ＾（ｎ）＝ｇ（ｘｉ＾（ｎ））＋ξｉ＾（ｎ）,用权函数ｇｎ（ｘ）＝Σ↑ｎ↓ｉ＝１Ｗｎｉ（ｘ）Ｙｉ＾（ｎ）;估计ｇ（ｘ）,在误差为某些相依随机变量列下,我们获得了ｇｎ（ｘ）,的强相合性及一致强相合性。     

随机删失场合回归函数的核估计及强相合性

回归函数的非参数估计及相合性问题曾经受到国内外学者的很大关注,但其中大多数都是基于完全样本来讨论的.如设(X_1,Y_1),…,(X_n,Y_n)是从 R~d×R 上的随机向量(X,Y)中抽取的 i.i.d.样本,陈希孺考虑了回归函数 m(x)=E(Y/X=x)的形如 m_n(x)=(?)W_(nj)(x)Y_i(其中 W_(nj)(x)为权函数)的非参数估计,并在适当条件下证     

回归函数改良核估计的强相合性及收敛速度

令(X,Y),(X_1,Y_1),…,(x_n,Y_n)为R~p×R~1上一串i.i.d。随机向量,且E(|Y|)<∞。研究如何利用(X_1,Y_1),…,(X_n,Y_n)观察的结果估计回归函数 m(x)=E(Y|X=x),称为非参数回归函数估计问题。Watson和Nadaraya首先建议用核估计     

回归函数改良核估计的相合性

一、引言及若干引理设(X_1,Y_1),…,(X_n,Y_n)为(X,Y)的前 n 个样本,(X,Y)为 R~d×R 上的随机向量,μ为 X 的概率分布,回归函数 m(x)=E(Y|X=x)的核估计为