误差为线性过程时回归模型的估计问题

对一类非线性回归模型及线性模型，在误差是一个弱平稳线性过程及适当的条件下，获得了估计量的r-阶平均相合性、完全相合性和渐近正态性。     

部分线性自回归模型中误差方差的核估计

基于非参数函数的核估计,构造了部分线性自回归模型中误差四阶矩的相合估计,从而给出了误差方差核估计的渐近正态性,并通过模拟算例和实例说明了其应用.     

数据缺失情形线性回归模型中误差方差的经验似然估计

在随机缺失(MAR)机制下利用经验似然方法构造了线性回归模型中误差方差的估计.并在一定条件下,证明了该估计的渐近正态性,由此得出当误差的分布不对称时,该估计的渐近方差比常用估计的渐近方差小.     

误差为MA(∞)序列的半参数回归模型小波估计的渐近正态性

用小波估计研究误差为MA(∞)序列的半参数回归模型,在比较弱的条件下得到了自协方差函数及自相关函数估计量的渐近正态性,并且用小波估计法建立了英国烈酒消费模型,说明了该法的有效性.     

随机适应误差下线性模型参数M估计的渐近性质

在一些较弱的充分条件下,本文研究了误差为随机适应序列下,线性模型回归参数M估计的强相合性.与文献中已有结果比较,扩大了应用范围,且对矩条件也有较大改进.同时我们给出了随机适应误差下线性模型参数M估计的渐近正态性.     

误差为鞅差序列的部分线性模型中估计的渐近正态性

考虑回归模型yi=xiβ g(ti) ei,i=1,2,…,n,其中(xi,ti)是固定非随机设计点列,g(.)是未知函数,β是待估参数,ei是随机误差且关于非降σ-代数列{Fi,i≥1}为鞅差序列,且满足E(e2n|Fn-1)-σ2=op(1),n→∞,其中0<2σ<∞为未知常数,本文基于g(.)的一类非参数估计的β的最小二乘估计■和2σ的估计量■,在适当条件下证明了其具有渐近正态性,从而推广了[1]在ei为iid情形下的结果.     

部分线性回归模型的M-估计

本文讨论部分线性回归模型的M-估计．用局部线性方法给出未知函数的M-估计，用两步估计方法给出参数的M-估计．进一步证明了未知函数的M-估计的弱一致性和渐近正态性，参数的M-估计的弱一致性．     

时间序列和渐近正态性的一个结果

Brockwell和Davis在[1]中给出了时间序列和渐近正态性方面的一个结果，本文用不同的方法且在较弱的条件下，得到了同样的结论。     

随机截断下部分线性模型中参数估计的渐近性质

考虑部分线性回归模型Yi＝xiβ g(ti) σiej,i＝1，2，…，n其中σi^2＝／f(ui)．当Yi因受某种随机干扰而被右截断时，就截断分布巳知的情形，利用所获得的截断观察数据构造了β，g，f的估计量β^～n，g^～n，f^～n，并在一定条件下，证明了β^～n的渐近正态性，同时得到了g^～n，f^～n的最优收敛速度。     

误差为线性过程时半参数模型的估计

对半参数模型Ynt=β·tni＋g（xni）＋εni,（1≤i≤n）,利用一般权函数并综合最小二乘法,定义了β,g的估计量βn,gn．在误差为线性过程时,获得了βn和gn的r阶矩相合性及gn的渐进正态性．     

自变量可重复观测的线性EV模型

研究了仅自变量可以做重复观测的线性EV模型, 构造了模型回归系数的估计, 并在适当条件下证明了估计量的相合性和渐近正态性. 所得结果揭示了与自变量和因变量同步重复观测模型的差异.     

缺失数据下线性模型回归系数估计的大样本性质

在响应变量满足MAR缺失机制下，我们分别研究了基于观察到的完全样本数据对、基于固定补足后的“完全洋本”和基于分数线性回归填补后的“完全洋本”得到的回归系数的最小二乘估计的弱相合性、强相合性及渐近正态性，我们还通过数值模拟，比较了基于上述估计得到的β的置信区间的优劣。     

具有外生变量部分线性自回归模型的样条估计

考虑自回归模型Y_t=θ~TX_t g(Zt) ε_t,t=1,…,n,其中X_t=(Y_(t-1),…,Y_(t-d))~T,Z_t为实值外生随机变量,θ=(θ_1,…,θ_d)~T为待估参数向量,g为未知非参数光滑函数．基于多项式样条方法,在一定的条件下,给出了θ的估计的渐近正态性,得到了g的估计的收敛速度．模拟例子验证了所得的理论结果．     

具有外生变量部分线性自回归模型的样条估计

考虑自回归模型Yt=θTXt+g(Zt)+Et,t=1,…,n,其中Xt=(Y-1,…,Yt-d)T,Zt为实值外生随机变量,θ=(θ1,…,θd)T为待估参数向量,g为未知非参数光滑函数.基于多项式样条方法,在一定的条件下,给出了θ的估计的渐近正态性,得到了g的估计的收敛速度.模拟例子验证了所得的理论结果.     

一个半参数回归模型的渐近正态性

考虑半多数回归模型yi＝xiβ＋g（xi）＋εi，lin，这里xi是具有已知方差σ的独立同分布随机样本，εi是具有零均值和有限方基σ2的独立同分布随机误差．β，g和εi的分布密度是未知的．本文作者构造了一个具有更小渐近方差的β的一个渐近正态估计．     

部分线性回归模型变窗宽一步局部M-估计

讨论了部分线性回归模型的变窗宽一步局部M-估计.用一步局部M-估计给出未知函数的估计,用平均方法给出参数估计.进一步通过两个引理证明一步M-估计的渐近正态性.所提出的方法继承了局部多项式的优点并且克服了最小二乘法缺乏稳健性的缺点.     

广义线性回归拟似然估计的渐近正态性

研究了形如n∑i=1xi(yi-μ(xi′β))=0拟似然方程,在一定的条件下证明了拟似然估计βn的渐近正态性;并进一步证明了可用于β0大样本统计推断的渐近正态性结果．     

部分线性变系数模型的新复合分位数回归估计

针对部分线性变系数模型的参数估计问题,提出了一种新复合分位数回归估计方法.利用复合分位数回归法估计参数部分,局部非线性复合分位数回归法估计变系数函数部分,并在若干正则条件下,证明了常系数和变系数函数估计量具有较好的渐近正态性质.通过随机模拟和实例分析,验证了所提估计方法在有限样本下的良好表现,有效的证明了所提方法的优越...     

非线性E-V回归模型中参数估计的渐近性质

本文讨论了非线性E-V回归模型中参数的估计问题,构造了未知参数β0的最小二乘估计β和误差方差σ2的估计σ2,证明了β具有渐近正态性,同时也证明了σ2依概率收敛于σ2的速度可达到n-1/2.     

右删失数据下线性回归模型的中心极限定理

将完全数据下(Y, Z)的联合分布F(y, z)的估计问题和线性回归模型Y =b^T Z+e的参数估计问题推广到右删失数据模型. 对于回归系数b和误差方差的加权最小二乘估计, 在最一般的条件下证明了中心极限定理, 给出了渐近方差的简单表达公式.