带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=X'ijβ+g(tij)+εij,i=1,2…,k:j=1,2,…,ni,和sum from i=1 to kni=n,其中yij为响应变量,β=(β1,…,βp)’是未知的参数向量,g(·)是未知的函数,Xij=(Xij1,…,Xijp)’和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σi2的随机误差,其中σi2可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,ni有限时导出的.这些结果能被用来做渐近有效的统计推导.     

纵向数据半参数回归模型估计的r阶平均相合性

本文考虑纵向数据下半参数回归模型:yij=xij′β g(tij) eij,i=1,…,m,j=1,…,ni.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β,回归函数g(·)和误差方差σ2的估计,并在适当条件下证明了估计量的r(r≥2)阶平均相合性.     

纵向数据下半参数回归模型估计的收敛速度

考虑纵向数据下半参数回归模型:yij=x′ijβ+g(tij)+eij,i=1,…,n,j=1,…,mi.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β和回归函数g(·)的估计,并在适当条件下证明了参数分量β的估计量的强收敛速度和未知函数g(·)的估计量的一致强收敛速度.     

Parameter Estimates in Random Intercept Mixed Effects Model for Repeated Measures

In this article the following random intercept mixed effects model will be considered： yij = vi =v^τijβ＋ εij,i=1,…,m;j=1,2,…,ni, where {vi} are i.i.d, random effects with mean α 2. 2 and finite variance σ^2 v, {εij} are i.i.d, random errors with finite variance ε^2 ε. Here we will estimate α,σ^2 v,σ^2 ε,β and study their large sample properties, such as strong consistency, strong convergence rates and asymptotic normality.     

线性回归模型Liu估计的新研究

考虑线性回归模型Y=Xβ+ε,E()ε=0,Cov()ε=2σI(1),当设计矩阵X的列存在共线性时,最小二乘估计^β=(X′X)-1X′Y的性质变坏,为此给出了有偏估计^(βK,d)=(X′X+K)-1(X′Y+d^β),其中K为对角矩阵,K=diag(k1,…kp),ki≥0,d>0为参数,讨论了这种有偏估计与广义岭估计、Liu估计的比较,并证明了其可容许性估计.     

纵向数据变系数回归模型小波估计的渐近性质

考虑纵向数据下的变系数回归模型y_(ij)=x_(ij)~Tθ(t_(ij))+e_(ij)i=1,2,…,n j=1,2,…,m.利用小波光滑和加权最小二乘方法,分别研究了模型中未知参数θ(·)的小波估计θ(·)和误差方差σ~2的小波估计σ~2,在适当的条件下,证明了θ的强相合性,强相合速度,并得到θ和σ~2的渐近正态性.     

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.     

混合回归模型误差方差M估计的弱收敛性

考虑混合回归模型 y_i=x_i~Tβ+σε_i,(1)其中x_i~T=(y_(i-1),…,y_(i-p),z_(i1),…,z_(ik)),{ε_i}为i.i.d.残差序列,Eε1=0,Eε_1~2=1,而β=(β_1,…,β_p,β_(p+1),…,β_(p+k))~T与σ>0为未知参数,并且φ(B)=1-β_1B-…-β_pB~p=0的根全在单位圆外. 本文拟在文[1]的基础上定义模型(1)误差方差σ的M估计,并证明其弱收敛性. 设X(x)为某个可测函数,β为(1)中回归参数β的某个相容估计,称方程     

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)).     

纵向数据半参数建模中的迭代加权偏样条最小二乘估计

考虑了纵向数据半参数建模中的估计问题, 提出了参数分量的一个迭代加权偏样条最小二乘估计. 在渐近方差意义下该估计比加权偏样条最小二乘估计更加有效, 且具有渐近正态性. 另外, 给出了一个自适应方法, 该方法能保证经过有限次迭代后, 迭代过程会终止, 并且产生的估计渐近等价于使用迭代方法所能产生的最好的估计, 这些结果是Chen和Shao的结果在半参数回归上的推广.