相依数据下一般函数核估计的强一致收敛速度

在很多统计回归模型中,都涉及到对未知均值函数或者对某已知函数的未知条件数学期望的估计.本文针对这一问题,给出在数据是α-混合相依时一般函数的条件数学期望的核估计,并讨论它的强一致收敛速度.     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

相依数据下一般函数核估计的一致收敛速度

不论数据是独立的还是相依的,在非参数和半参数模型中,都涉及到对未知均值函数或者对某函数的未知条件期望的估计.本文针对这一问题,在比较弱的条件下,给出在数据是α-混合相依时一般函数的条件数学期望的估计,并讨论了它的一致收敛速度.     

相依误差下回归函数导数估计的强收敛速度

设Y_1,…,Y_n是在固定点x_1,…,x_n的n个观察值,适合模型 Y_i=g(x_i) ε_i,1≤i≤n.(1)这里g(·)是R上的未知函数,{ε_i}为随机(误差)变量序列,且假定0=x_0≤x_1≤…≤x_(n-1)≤x_n=1. 给定非负整数p,为了估计g的p阶导数g~(p)(x)(p=0时,即为g(x)),秦永松用     

回归函数核估计的收敛速度

本文在P≥1的条件下,给出了回归函数m(x)的核估计m_n(x)的若干种p阶平均收敛速度,改进并推广了文献[1]及[2]中的若干结果。     

变系数模型B样条M估计的收敛性

考虑变系数模型y(t)=XT(t)β(t)+ε(t).设(y(tij),Xi(tij),tij)是第i个个体的第j次观察.函数系数β(t)=(β1(t),…,βp(t))T是光滑的非参数函数向量,在B样条的函数空间上最小化得到β(t)的B样条M估计.若βk(t),k=1,…,p是r(r>1/2)阶光滑的,证得若结点的数目是O(n1/(2r+1)),则β(t)的B样条M估计达到最优的收敛速度O(n-r/(2r+1))(Stone(1985)).     

线性回归模型参数的联立经验Bayes估计的收敛速度

本文考虑了线性模型中回归系数β=(β₁,…,β_p)′和误差方差σ²的联立经验Bayes(EB)估计.在二次损失下,利用密度函数及其编导数的核估计构造出参数θ=(β₁,…,β_p,σ²)的联立EB估计,在一定条件下证明了θ的联立EB估计的收敛速度任意接近于1.最后、给出了一个实例.     

遗传算法的收敛速度估计

Under some conditions, the convergence of the genetic algorithms is investigated, corresponding convergence rates are estimated, and some related verifications are given in this paper.     

函数系数线性自回归模型的样条估计

基于多项式样条全局光滑方法,建立函数系数线性自回归模型中系数函数的样条估计.在适当条件下,证明了系数函数多项式样条估计的相合性,并给出了它们的收敛速度.模拟例子验证了理论结果的正确性.     

多维参数线性经验Bayes估计一致收敛速度的最优性

证明出任何一个多维参数性经验Ｂａｙｅｓ估计的一致收敛速度不可能超过１，从而说明文［１］中构造的线性经验Ｂａｙｅｓ估计的一致收敛速度１是最优的。     

部分线性模型参数极大似然估计的收敛速度

针对部分线性模型, 在其随机误差的分布函数属于刻度族, 刻度参数未知, 并且响应变量的观测值为区间删失数据的情形下, 讨论了其Sieve极大似然估计的强相合性和弱收敛速度.     

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。     

NA样本下回归函数估计的收敛速度

在误差为NA序列的条件下,研究了固定设计点列情形下非参数回归函数一般权函数的非参数估计,并在一些基本条件下给出了估计的一致最优强收敛速度.     

线性模型回归系数EB估计的一致收敛速度

利用多元密度函数及其导数的核估计方法，建立了多元线性模型回归系数的经验Ｂａｙｅｓ估计，并给出了这种估计的一致收敛速度。     

基于神经元网络的条件分位数估计的收敛速度

本文我们给出了基于神经元网络的随机过程的条件分位数的均方收敛速度．无论是在独立同分布情况下还是在平稳混合(α-混合β-混合)的情况下，我们都给出了相应的结果．结果与基于神经元网络的回归估计的收敛速度相同．采用的技术同Zhang(1998)一致．     

完全与删失数据下回归函数小波估计的强一致收敛速度

在完全和右删失数据下，构造了回归函数g(x)的小波估计和改良小波估计，得到了估计量的若干强一致收敛速度。     

相依样本下污染线性模型的最近邻估计

考虑一般线性模型,设误差序列{ei}是平稳的α-混合序列,具有公共未知密度,f(x)．本文首先讨论了基于残差的f(x)的最近邻估计的相合性及收敛速度,然后把结论推广到污染线性模型,讨论了污染系数ε,误差的主体分布及回归系数β的估计的相合性,收敛速度以及(β|^)的渐近正态性．     

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.     

相依误差广义线性模型的M估计的Bahadur表示

考虑如下广义线性模型y_i=h(x~T_i,β)+e_i=1,2,…,n,其中e_i=G(…,ε_(i-1),ε_i),h是一个连续可导函数,ε_i是独立同分布的随机变量,并且它的期望为0,方差σ~2有限.本文给出了参数β的M估计,并且得到了该估计的Bahadur表示,该结论推广了线性模型的相关结论.应用M估计的Bahadur表示,得到了相依误差的线性回归模型,poisson模型,logistic模型和独立误差的广义线性模型等模型的渐近性质.     

一类纵向数据半参数模型估计的收敛速度

本文研究了一类纵向数据半参数模型参数和回归函数的估计问题.利用最小二乘法和一般的非参数权函数方法,获得了参数估计量的强收敛速度和回归函数估计量的一致收敛速度,推广了文献[4]的相应结果.