回归函数递旧核估计相合的充要条件

对α-混合,φ-混合样本,本文给出回归函数递归核估计m_a(x)弱、强相合的充要条件.在E|Y|~(1+δ)<∞,δ>0,sum from n=1 to ∞(φ~1 ~2(n))<∞时.得出m_n(x)的强、弱相合是等价的.另外,还给出核估计m_n(x)弱相合的充分条件。     

函数型数据的近邻域估计

主要讨论函数型数据的近邻域估计的渐近性质.在α-混合条件及一些正则性假设下,我们讨论了函数空间上非参数回归函数的k阶近邻域估计的相合性和渐近正态性.通过模拟分析几组不同误差分布的函数型数据,并与核估计方法进行比较,验证了有限样本下,近邻域估计方法的有效性,并得出近邻域估计在稳健性方面更有优势.     

模型辅助条件下广义最优回归抽样估计方法研究

在抽样估计中,当超总体模型为非线性形式时,广义回归估计量和最优估计量的估计效果均有待提高,而非参数回归估计量虽然能在一定程度上提高估计精度,但需要获得全部总体单位的辅助变量值,这在实际调查中往往难以满足。本文基于传统的广义回归估计量和最优估计量,借鉴非参数回归中局部多项式的估计思想,对原始辅助变量信息进行扩展,得到原始辅助变量多次方形式的新辅助变量,进而研究提出广义最优回归估计量。该估计量可以克服广义回归估计量、最优估计量和非参数回归估计量的缺陷,并证明其满足渐近无偏性和一致性。在不同超总体模型下,通过数值模拟方法比较了各类回归抽样估计方法的估计效果,模拟结果显示:在线性模型下,除了π估计量的精度较差,其余各类估计量的估计精度基本相同;但在非线性模型下,最优估计量和广义回归估计量的估计精度明显下降,而广义最优回归估计量和非参数的局部多项式回归估计量的估计精度都较好。     

混合样本下非参数核回归估计的渐近性质

本文在混合样本下讨论Priestley和CHAO(1972)提出的一类非参数核回归估计的渐近性质,在较弱的条件下证明了该估计的完全收敛性与强相合性.     

多元线性模型t型回归参数估计的相合性和渐近正态性

考虑多元线性回归模型中回归系数的稳健估计问题, 将组内数据球化后, 视误差向量分布为各分量独立且具有相同刻度和自由度的t分布, 通过极大似然(M)方法获得t型回归参数估计. 本文讨论了这种t型回归参数估计的渐近性质, 在一些正则条件下, 获得了它的相合性, 并得到它的渐近正态性.     

连续时间下非参数回归模型的误差密度估计

本文研究连续时间下非参数回归的误差密度估计问题，给出误差密度的一个核估计量，利用回归函数的核估计在紧区间上一致均收敛的结论证明了该统计量渐近无偏差，均方相合法，并说明了该核估计中窗宽选取的办法。     

随机删失数据非线性回归模型的最小一乘估计

研究了随机删失数据非线性回归模型的最小一乘(LAD)估计问题, 证明了LAD估计量的渐近性质, 包括相合性、依概率有界性和渐近正态性等. 模拟结果显示对删失数据回归问题, LAD估计仍比最小二乘估计(LSE)稳健.     

非参数回归函数混合型估计的均方收敛性

Stone提出了用权函数法与最小二乘法结合起来估计回归函数m(x)=E(Y|X)的方法并研究了估计的弱相合性;赵江研究了这种估计的均方相合性,其中要求E|Y|~(8d+8)<∞。本文给出一种改进的混合型估计,在只要求EY~2<∞且其它条件与[2]相同的情形下证明了改进估计的均方相合性。     

基于充分降维的半参数不可忽略无响应光滑分位回归

文章在响应变量不可忽略缺失假定下,考察了分位回归的估计问题.文章首先建立半参数指数倾斜响应模型,为克服不可忽略缺失数据的识别性困难,避免多元非参数核估计造成的维数灾难,文章基于充分降维假设,利用数据驱动方法构造缺失工具变量,得到倾斜参数的轮廓两步广义矩估计量和非参数部分的降维核估计量;基于上述估计量建立逆概率加权(IPW)、核辅助估计方程插补(EEI)和增强逆概率加权(AIPW)三种分位回归估计方程,并利用卷积平滑分位损失函数代替经典的分位损失函数克服检查函数不平滑造成的理论和计算困难,回归系数的估计量由经验似然方法得到.理论研究证明了三种估计量等价的渐近正态性和相应对数经验似然比函数的渐近χ²加权和性质.数值模拟比较了上述估计量的有限样本性能.最后对HIV-CD4实际数据进行分析.     

$\tilde{\rho}$混合样本下非参数核回归估计的渐近性质

本文在$\tilde{\rho}$混合样本下讨论Priestley和CHAO(1972)提出的一类非参数核回归估计的渐近性质, 在较弱的条件下证明了该估计的完全收敛性与强相合性.     

跳-扩散模型中时变参数的核函数加权估计

本文主要研究跳一扩散模型中时变参数的核函数加权估计。基于带复合Poisson跳的扩散模型的离散观测样本,首先得到了漂移参数的核函数加权最小二乘估计及其标准误差,然后利用分位回归方法得到了扩散参数的核函数加权分位回归估计,并证明了所求估计的相合性。最后通过模拟说明了估计量的有效性。     

含参数随机环境中(2,1)随机游动M估计量的渐近正态性

考虑随机环境中(2,1)随机游动,其中环境独立同分布,包含特定参数.[Stoch.Models,2019,35(3):338-356]基于对游动轨道的一次观测,对环境参数构造了M-估计量,并得到其弱相合性.本文进一步证明M-估计量的渐近正态性.研究工具是构造(2,1)随机游动的内蕴分支结构.虽然M-估计量没有解析表达式,但可借助内蕴分支结构,通过建立准则函数梯度向量的中心极限定理,得到M-估计量的渐近正态性,其极限协方差矩阵正是Fisher信息矩阵的逆矩阵.本文还给出了Fisher信息矩阵的估计方法.最后进行数值模拟,验证了所提出的估计量的弱相合性;根据理论得到的渐近正态分布结论,进一步构造经验置信区间,验证了结果的合理有效性.     

维数发散乘积回归模型的M估计

针对乘积回归模型,本文提出了非凹惩罚最小乘积相对误差的M估计(简称为惩罚MLPRE),该方法可有效处理高维样本量及参数维数随样本量增大而增大的稀疏乘积回归模型.基于一些正则条件,本文得到惩罚M-LPRE参数估计的相合性和渐近正态性等理论性质,通过数值模拟和实例分析,验证了惩罚M-LPRE准则的有效性.     

带相依辅助信息的分位数自回归模型的经验似然估计

分位数自回归模型作为一类常用的变系数时间序列模型,在理论研究和实际问题中都有广泛的应用.考虑到这类模型具有自回归的结构属性,数据采集过程中产生的额外信息,以相依辅助信息函数的形式被引入到模型系数的估计中来.该文应用经验似然方法得到了模型系数的估计量,得到了模型系数的估计量,并论证了其渐近正态性.基于渐近正态性的理论结果,进一步讨论了模型系数线性约束性问题的Wald检验统计量的渐近性质.数值模拟和实例数据分析的结果均表明,利用经验似然估计处理带相依辅助信息函数的方法较传统的分位数回归估计更有效.因而,一般常系数线性分位数回归模型在独立假设下的结果,被推广至具有相依结构的一类变系数模型中去.     

扩散过程瞬时波动率核估计的强相合性（英文）

资产价格的波动性是学者们十分关注的重要研究课题.近年来,学者们提出了许多波动率的估计方法,并研究了估计量的相合性和渐近正态性.本文重点研究了Kristensen[26]提出的NW型瞬时波动率核估计,指出其证明过程中存在的一些错误,并在合理的条件下进一步推导了估计量的强相合性和一致强相合性.     

半参数回归模型的渐近有效L-估计

对半参数回归模型yi=χiTβ+g(χi)+ei,i=1,2,…,n,对非参数函数g(·)采用核估计的方法,构造了参数向量β的L-估计量λn,在一些正则条件下,获得了λn的渐近正态性和非参数函数g(·)的估计量gn(t)的最优收敛速度可达到O(n-(1/3)),并且给出了标准化L估计量λn的渐近分布的Berry-Esseen界.     

半参数EV模型参数的二阶段估计

本文综合核函数法 ,最小二乘法 ,利用二阶段估计的方法求出了 EV模型中参数的估计量 ,并研究了它的强相合性以及渐近正态性 .     

双因素误差成分的空间面板模型的参数估计

本文构造了比较一般化的双因素误差成分结构的空间面板数据模型,其中误差成分的设定为个体效应也存在空间相关性.基于广义矩估计方法,通过构造最优的工具变量,寻找合适的矩条件组和权重矩阵,讨论了模型的参数估计问题,并证明了估计量的相合性.通过随机模拟分析估计量的有限样本性质,结果表明加权矩估计量的渐近效果优于未加权矩估计量,并且模型参数的可行的广义二阶段最小二乘估计量的估计效果很好.     

两个连续分布函数交点的估计

利用两样本的秩统计量和次序统计量 ,对两连续分布交点提出了一种新的点估计量和区间估计量 ,并论证了点估计的强相合性及渐近正态性 ,区间估计具有指定的渐近置信系数 ,还给出了其渐近精度     

随机环境中具有迁入的分枝过程的时序估计量的性质

讨论时序估计量^m(c)~、m(c)期望、方差,得出估计量^2σn的渐近性质和估计量^mNc的一致渐近正态性.