ρ混合序列下CVaR估计的渐近性质

讨论了在样本为ρ混合序列的情形下,CVaR估计的强相合性和渐近正态性,并且给出了它们各自的收敛速度.     

关于线性秩统计量的渐近正态性及其收敛速度

本文讨论线性秩统计量的渐近正态性的条件及其收敛速度．推广了Hajek关于线性秩统计量收敛于正态分布的条件的重要定理，并得出了一个较易验证的充分条件．对于一般形式的计分函数，在一定条件下得出了相应线性秩统计量收敛于正态分布的速度．     

负极值指标估计量的渐近性质

当极值指标小于0时,该文提出了一种负极值指标估计量,证明了该估计量的弱相合性和强相合性;在二阶正规变化条件下,通过限制正规变化函数的收敛速度,给出了强收敛速度和渐近展式,证明了渐近正态性,并对平滑参数的最优选择进行了讨论.     

纵向数据下部分线性EV模型的渐近性质

研究了纵向数据下部分线性EV函数关系模型.应用一般非参数权函数法和广义最小二乘法给出了未知参数β,误差方差σ2以及未知函数g(·)的估计.在一般的条件下,证明了β,σ2估计的渐近正态性,同时也给出了未知函数g(·)估计的收敛速度,其结果是独立数据情形下相应结果的推广.     

PA误差下回归函数小波估计的渐近性质

本文研究了回归函数小波估计的渐进性质的问题.利用概率不等式方法,获得了函数g(·)的小波估计量的r-阶矩相合,依概率收敛和强收敛以及渐进正态性的结果,所获的结果推广了其他混合相依下的相应结果.     

自然联系函数下自适应设计广义线性模型的渐近性质(英文)

本文在一些弱的条件下,对自然联系函数和自适应设计下广义线性模型的极大拟似然估计渐近性进行研究,获得了极大拟似然估计的渐近存在性、弱相合性、收敛速度及渐近正态性.并通过蒙特卡罗数值模拟的方法对所得结果进行验证.     

纵向数据下半参数回归模型估计的渐近性质

本文考虑纵向数据下半参数回归模型: $y_{ij}=x_{ij}'\beta+g(t_{ij})+e_ij},\;i=1,\cdots,m,\;j=1,\cdots,n_i$. 基于最小二乘法和一般的非参数权函数方法给出了模型中参数$\beta$和回归函数$g(\cdot)$的估计, 并在适当条件下证明了$\beta$估计量的渐近正态性和$g(\cdot)$估计量的最优收敛速度\bd 模拟结果表明我们的估计方法在有限样本情形有良好的效果     

拟单位根过程的渐近性质

West[4],Phillips[3]的关于AR（1）过程的一些有关渐近正态性的结果推广到了拟整过程，所得的结果更具一般性，从而可用来进行单位根据检验及协整检验的功效分析。     

PA样本回归权函数估计的一致渐近正态性

在平稳PA样本下,讨论了非参数回归模型中权函数估计的一致渐近正态性,并给出了这个估计的一致渐近正态性的收敛速度.     

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。     

Asymptotic Properties of Self-Consistent Estimators with Mixed Interval-Censored Data

Mixed interval-censored (MIC) data consist of n intervals with endpoints L _i and R _i , i = 1, ..., n. At least one of them is a singleton set and one is a finite non-singleton interval. The survival time X _i is only known to lie between L _i and R _i , i = 1, 2, ..., n. Peto (1973, Applied Statistics, 22, 86–91) and Turnbull (1976, J. Roy. Statist. Soc. Ser. B, 38, 290–295) obtained, respectively, the generalized MLE (GMLE) and the self-consistent estimator (SCE) of the distribution function of X with MIC data. In this paper, we introduce a model for MIC data and establish strong consistency, asymptotic normality and asymptotic efficiency of the SCE and GMLE with MIC data under this model with mild conditions.     

一类新的位置不变矩估计及其渐近正态性

The moment estimator has been widely used in extreme value theory in order to estimate the extreme value index, however it is not location invariant. In this paper, based on the moment-type estimator, we propose a new location invariant moment-type estimator,and discuss its asymptotic normality under the second order regular variation. Finally, a simulation is presented to compare this new estimator with another location invariant momenttype estimator γ_n~M(k_0, k) proposed by Ling, which indicates that the new estimator has good performances.     

纵向数据下混合效应EV模型中参数估计的渐近性质

考虑纵向数据下混合效应EV模型。对带有惩罚项的Profile广义最小二乘方法进行了修正。利用矩估计法和ML-based EM算法给出了固定效应,随机效应以及协方差阵的估计。在一般的条件下,给出了固定效应估计的强相合性和渐近正态性,并对所提出的各种估计进行了模拟研究。模拟效果不错。     

Local Asymptotic Normality in Extreme Value Index Estimation

This paper deals with the estimation of the extreme value index in local extreme value models. We establish local asymptotic normality (LAN) under certain extreme value alternatives. It turns out that the central sequence occurring in the LAN expansion of the likelihood process is up to a rescaling procedure the Hill estimator. The central sequence plays a crucial role for the construction of asymptotic optimal statistical procedures. In particular, the Hill estimator is asymptotically minimax.     

一类简化的Pickands型估计

本文研究了一类简化的Ｐｉｃｋａｎｄｓ型估计的相合性，渐近正态性和强收敛速度。     

线性约束下部分线性模型中估计的渐近性质

考虑回归模型yi=x′iβ+ g(ti) + ei, 0 ≤i ≤nr=Rβ其中(xi,ti)是固定非随机设计点列,xi=(xi1,…,xip)′,β=(β1,…,βp)′(p 1) ,g是定义在[0 ,1]上的未知函数,β是未知待估参数,0≤ ti≤1i,ei 是i.i.d随机误差,且Eei=0 ,Ee2i=σ2 <∞.r是一个J维向量,R是一个J* p列满秩矩阵,基于g的估计取一个非参数权估计,本文讨论了在线性约束下β的最小二乘估计的相合性及渐近正态性.     

未知方向密度估计的收敛率

设Ｘ为ｐ维随机向量,对于未知的投影方向θｏ（‖θｏ‖＝１）,本文利用θｏ的估计与核密度估计相结合的方法给出了θ＾Ｔ０Ｘ的密度（方向密度）的核型密度估计,获得了此估计的逐点渐近正态性,逐点精确强收敛率,一致精确强收敛率以及均方误差收敛率,所得结果与最优性与已知方向上的核密度估计完全一致。作为例子,对θｏ为Ｘ协方差阵的最大特征值所对应的特征方向,我们给出了θｏ的满足条件的估计极其方向密度估计。     

Asymptotic normality of some kernel-type estimators of probability density

Central limit theorems are proved for some kernel-type estimators of probability density in the case where the observations form a strictly random sequence satisfying the ?-mixing condition with a certain logarithmic mixing rate.     

Wavelet Estimation in Heteroscedastic Model Under Censored Samples

Consider the heteroscedastic regression model Yi = g（xi） ＋ σiei, 1 ≤ i ≤ n, where σi^2 = f（ui）, here （xi, ui） being fixed design points, g and f being unknown functions defined on [0, 1], ei being independent random errors with mean zero. Assuming that Yi are censored randomly and the censored distribution function is known or unknown, we discuss the rates of strong uniformly convergence for wavelet estimators of g and f, respectively. Also, the asymptotic normality for the wavelet estimators of g is investigated.