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     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

非参数回归函数核估计的收敛速度

<正> §1.引言及记号设(Y,X),(Y_1,X_1),…,(Y_n,X_n)为 iid.(1+d)维随机向量,E(|Y|)<∞,m(x)=E(Y|X=x)为回归函数.Watson,Nadaraya 首先提出的基于样本(Y_1,X_1),…,(Y_n,X_n)的 m(x)的核估计为     

非参数回归函数最近邻估计的强收敛速度

<正> §1.引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为iid d×1维随机向量,E|Y|<∞.对x=(x~(1)),…,x~(d))∈R~d,取‖x‖为欧氏模或对固定的x∈R~d,将(X_1,Y_1),…,(X_n,Y_n)按照     

Strong Consistency of Non-parametric Regression Estimates with Censored Data

Let (X,Y) be an R~d×R valued random vector with E|Y|<∞ and(X_1,Y_1) (X_2,Y_2), …, (X_n,Y_n) be i.i.d.observations of (X,Y). To estimate the regression function m(x)=E(Y|X=x), Stone suggested m_n(x)=sum from i=1 to n(W_(ni)(x)Y_i), where W_(ni)(x)=W_(ni)(x,X_1,X_2,…,X_n)(i=1,2,…,n) are weight functions. Devroye and Chen Xiru established the strong consistency of m_n(x). In this paper, we discuss the case that{Y_i} are censored by {t_i}, where{t_i} are i.i.d. random variables and also independent of{Y_i}. Under certainconditions we still obtain the strong consistency of m_n(x).     

基于次序统计量之伴随量的非参数回归的强相合性

设(X,Y),(X_1,Y_1),(X_2,Y_2),…是 i.i.d.二维随机变量,m(x)=E(Y|X=x)是回归函数.Yang,S.S.构造了 m(x)的下述估计:记 X_(i=n) 是 X_1,…,X_n 的第 i 个次序统计量,Y_([i∶n]) 是 X_(i∶n)相应的伴随量,则m_n(x)=1/(nh_n) sum from i=1 to n K((i/n-F_n(x))/h_n)Y_([i∶n]) (1.1)是 m(x)的一个估计,其中 F_n(x)是 X_1,…,X_n 的经验分布函数,K(·)是 R 上的一个概率密度函数而{h_n}是一个正常数序列,易见 m_n(x)可应用在许多非标准情形,如 X 的观察值已自然地排好序或 X_(i∶n)比 X_i 更容易获得等.与古典强大数定律相比,一个在理论上很有兴趣的问题是假定 E|Y|<∞,能否找到 m(x)的强相合估计.成平及成平、赵林城分别用截尾的核估计和近邻估计的方法肯定地回答了这一问题.对于由(1.1)定义的 m_n(x),我们也可以讨论如下截尾形式的     

正态一次、二次顺序统计量的分布和矩的渐近性质

本文恒以F(x)、f(x)表示标准正态分布函数及密度函数,又记t=u_n,即1-F(t)=1/n。设X_1、X_2、…、X_3为i.i.d,X_1～N(0,1),以X(n,1)、X(n,2)、…、X(n,n)表示其从大到小的顺序统计量。又设X_(11)、…、X_(1n);……;X_(m1)、…、X_(mn)为i.i.d,X_(11)～N(0,1),以     

关于 U-统计量自助逼近的一点注记

设 X_1,X_2,…,X_n 是来自分布 F 的独立同分布子样,T(X_1,…,X_n;;F)是依赖 X_1,X_2,…,X_n 且与 F 有关的随机变量.又设 F_n 为基于 X_1,X_1,…,X_n 的观察值 x_1,x_2,…x_n 的经验分布函数,而 Y_1,Y_2,…,Y_n 为来自 F_n 的独立同分布子样.所谓自助(bootstrap)法,即是以 T(Y_1,…,Y_n;F_n)在 F_n 下的分布去估计 T(X_1,…,X_n;F)在 F 下的分布.Bickol 与Freedman 在[1]中讨论了 U-统计量自助逼近的可能性.设 h(x,y)为关于变元对称的 Borel     

随机删失场合基于Synthetic Data的回归函数的核估计及强相合性

设(X_1,Y_1),…,(X_n,Y_n)是来自总体(X,Y)的取值于R~d×R上的i.i.d.随机向量,是未知的非参数回归函数,{Y_i}被随机变量{T_i}删失,只能观察到,本文分别在T_i的分布函数已知和未知的情形下,利用Leurgans等人提出的Synthetic data方法获得新的数据{Y_i~*}与{Y_i~(**)},考虑了m(x)的核估计并且证明了其强相合性。     

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     

条件密度近邻-核估计的强相合性

Let (X, Y), (X_1, Y_1), …, (X_n, Y_n) be R~p×R~q-valued i.i.d, random vectors, and f(y|x) the conditional density function of Y, given X=x. Note that the existence of the density of (X, Y) is not assumed here. In this paper, we introduce the nearest neighborkernel estimator f_n(y|x) of f(y|x), and establish the strong consistency of f_n(y|x) under some mild conditions.     

相依样本下非参数回归函数估计的强收敛速度

设(X,Y),(X_1,Y_1,),…,(X_n,Y_n)是一个平稳、φ—混合过程((X,Y)∈R~d×R,E|Y|~(s δ)<∞,s≥2,δ>0),用m(x)记E{Y|X=x},本文讨论了m(x)的如下估计m_n(x)的强收敛速度:     

非参数回归函数的随机窗宽核估计的重对数律

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为 i.i.d.二维随机变量序列,具有联合分布F(x,y)及密度 f(x,y).X 的边际分布和密度分别记为 F_X(x)和 f_X(x).记 m(x)=E{Y|X=x)}为 Y 对 X 的回归函数.为估计 m(x),Nadaraya 和 watson 独立地引进了如下形式的核估计     

次序统计量线性函数的非一致Berry—Essen界和强逼近

设 X_1,…,X_n 为(?)d.r.v.序列,X_1～F,以 X_(n1)≤…≤X_(nn)记 X_1,…,X_n 的次序统计量.对定义于[0,1]中的函数 J(x),记(1)为次序统计量的线性函数.本文进一步研究了 T_n 的极限性质,利用周知的 U—统计量的性质,以及经验过程的一些理论,推广[1],[2]的结果到非一致收敛情形,同时完善了[3]的结论且简化了其条件和证明.定理证明基于下述引理。     

一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

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     

非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

关于构造泛相容近邻概率权函数使用的随机距离的一个注记

C.J.Stone曾在其Consistent Non-Parametric Regression一文中提出了构造泛相容的近邻概率权函数系列{W_(Ni):i=1,…,N;N=1,2,…}的一般方法。其中W_(Ni)=W_(Ni)(X;X_1,…,X_N)代表在子样X_1,…,X_N的布局下计算在X点的条件概率经验分布时在X_i点的资料Y_i,所占的权;而(X,Y),(X_1,Y_1),…,(X_N,Y_N)则是i.i.d的d+d′维随机矢量。其步骤是先构造在布局x;x_1,…,x_N之下的距离PN:X;X_1,…,X_N(简记为PN)。然后用PN衡量各X_i(i=1,…,N)到X的远近。由近及远赋予X_i从大到小     

STRONG CONVERGENCE OF KERNEL ESTIMATES OF NONPARAMETRIC REGRESSION FUNCTIONS

Let (X, Y), (X_1, Y_1), …, (X_n, Y_n) be i. i. d. random vectors taking values in R_d×Rwith E(|Y|)<∞. To estimate the regression function m (x) = E (Y|X= x), we use thekernel estimate m_n(x)= sum from i=1 to n K((X_j-x)/h_n) where K(x) is a kernel functionand h_n a window width. In this paper, we establish the strong consistency of m_n(x) whenE(|Y|~P)<∞ for some p>l or E{exp(t|Y|~λ)}<∞ for some λ>0 and t>O. It is remakablethat other conditions imposed here are independent of the distribution of (X, Y).     

NA序列下的Wilcoxon两样本统计量

样本{X_1,X_2,…,X_m}与{Y_1,Y_2,…,Y_n}之间相互独立,但样本内部均为强平稳NA序列．在上述情况下研究了Wilcoxon两样本U统计量的渐近正态性,并给出了实际检验的计算公式．