平滑的PL和分布位点过程之间离的渐近分布

在随机右删失情况下,我们证明了基于平滑ＰＬ估计和平滑ＰＬ分位点估计的Ｂａｈａｄｕｒ－Ｋｉｅｆｅｒ型过程的弱极限定理。     

平滑的PL和分位点过程之间距离的渐近分布(英文)

在随机右删失情况下,我们证明了基于平滑ＰＬ估计和平滑ＰＬ分位点估计的Ｂａｈａｄｕｒ－Ｋｉｅｆｅｒ型过程的弱极限定理     

删失数据平滑非参数分位估计的Bahadur表示

本文讨论了在随机右删失情况下一种平滑非参数分位估计ｘｎ（ｐ）（ｘｎ（ｐ）是的解）．在一定的条件下获得了ｘｎ（ｐ）的Ｂａｈａｄｕｒ表示，作为推论获得了ｘｎ（ｐ）的渐近正态分布和重对数律．     

分位点函数的光滑非参数估计的BAHADUR表示

文中对分位函数给出了具有更广泛应用的光滑分位估计,证明了该光滑分位估计的逐点和一致的Bahadur强表示定理;并由此结果推导了估计的重对数律,强逼近等深刻结果。     

光滑条件分位估计的强表示及其应用

文中考虑了一核光滑的条件分位估计,获得了该分位估计的强一致Bahadur表示定理。并由此定理推导了该估计的重对数和弱收敛等结果。     

光滑分布函数分位数估计的注记

文中通过光滑经验分布函数构造了分位数估计，建立该估计的Ｂａｈａｄｕ－强弱表示定理，并由Ｂａｈａｄｕｒ表示定理证明了该分估计估的重对数律和渐近正态性等深刻结果。     

右删失左截断情形下分布函数的分位数估计

文中考虑了右删失左截断数据情形下分布函数的分位数估计，讨论了该估计的渐近性质并获得了它的强弱Ｂａｈａｄｕｒ类型的表示定理。利用此Ｂａｈａｄｕｒ表示定理很容易获得该分位数估计的渐近正态性及置信区间等结果。     

基于偏最小二乘路径模型的分位效应测度

对于偏最小二乘路径模型的效应分析,为了测度路径模型的分位效应,文章首先给出了偏最小二乘路径模型建模的具体过程.其次,基于潜变量得分与分位回归提出估计平滑分位效应的方法,给出了平滑分位效应的Bootstrap置信带的算法.最后,考虑顾客满意度的分位异质性,对满意度模型的分位效应进行分析.结论表明,该方法是对传统偏最小二乘路径模型的一种补充且可获得更有深度的决策信息.     

左截断右删失数据下分位密度估计的重对数律

在左截断右删失数据下，我们基于乘积限估计给出了分位密度估计， 获得了分位密度估计及其导数的重对数律。     

左删失右截断数据的分位数的固定宽度序贯置信区间估计

基于左截断右删失数据下的乘积限估计构造了分位数固定宽度序贯置信区间及其估计，研究了序贯置信区间估计的渐近性质。作为副产品，获得了分位数估计近邻点的Bahadur表示定理。这个表示定理是推导分位数固定宽度序贯置信区间估计渐近性质的重要基础。同时，在文中，进行了一些计算机模拟试验，证明了左截断右删失数据下分位数估计的序贯方法是效的和精确的。     

平衡数据结构下ANOVA 估计和SD 估计的比较

在线性混合效应模型下, 方差分析(ANOVA) 估计和谱分解(SD) 估计对构造精确检验和广义P-值枢轴量起着非常重要的作用. 尽管这两估计分别基于不同的方法, 但它们共享许多类似的优点, 如无偏性和有精确的表达式等. 本文借助于已得到的协方差阵的谱分解结果, 揭示了平衡数据一般线性混合效应模型下ANOVA 估计与SD 估计的关系, 并分别针对协方差阵两种结构: 套结构和多项分类随机效应结构, 给出了ANOVA 估计与SD 估计等价的充分必要条件.     

相关数据密度函数的非线性小波估计

本文考虑了严平稳随机序列密度函数的非线性小波估计,证明了在Besov空间中,非线性小波估计可达到最优收敛速度.进一步讨论了自适应非线性小波估计,证明了自适非线性小波估计可达到次最优速度即和最优速度相差in n.     

方差分量的二次不变估计的非负改进

研究一类方差分量模型中的方差分量的估计改进问题,首先在含两个方差分量模型中给出σ21二次型估计类,并且此估计类还具有无偏性和不变性.考虑二次损失(δ-θ)2,在此估计类基础上放弃无偏性进行非负改进,不仅得到优于二次不变无偏估计类的σ21的非负二次不变估计类,而且还说明了它优于方差分析估计和最小均方误差估计,文献[5]中给出s>2时的非负改进,但是非负改进存在是有条件的,本文克服了这个缺陷.最后给出了非负改进存在的充分必要条件.     

Large and moderate deviations principles for kernel estimators of the multivariate regression

In this paper, we prove large deviations principle for the Nadaraya-Watson estimator and for the semi-recursive kernel estimator of the regression in the multidimensional case. Under suitable conditions, we show that the rate function is a good rate function. We thus generalize the results already obtained in the one-dimensional case for the Nadaraya-Watson estimator. Moreover, we give a moderate deviations principle for these two estimators. It turns out that the rate function obtained in the moderate deviations principle for the semi-recursive estimator is larger than the one obtained for the Nadaraya-Watson estimator.      

线性模型中的一类随机约束$s$--$K$估计

In this paper, we propose a stochastic restricted s–K estimator in the linear model with additional stochastic linear restrictions by combining the ordinary mixed estimator(OME) with the s–K estimator. It is shown that the proposed estimator is superior to the OME and the s–K estimator under the mean squared error matrix criterion under some conditions. Finally, a numerical example and a Monte Carlo simulation study are given to verify the theoretical results.     

熵损失函数下的信度模型

本文研究了信度模型问题.利用熵损失函数,获得了风险保费的信度估计和经验Bayes信度估计.所获结果是对现有风险保费信度估计和经验Bayes信度估计的一个补充.     

Kernel estimators of the ROC Curve with censored data

Receiver operating characteristic (ROC) curves are often used to study the two sample problem in medical studies. However, most data in medical studies are censored. Usually a natural estimator is based on the Kaplan-Meier estimator. In this paper we propose a smoothed estimator based on kernel techniques for the ROC curve with censored data. The large sample properties of the smoothed estimator are established. Moreover, deficiency is considered in order to compare the proposed smoothed estimator of the ROC curve with the empirical one based on Kaplan-Meier estimator. It is shown that the smoothed estimator outperforms the direct empirical estimator based on the Kaplan-Meier estimator under the criterion of deficiency. A simulation study is also conducted and a real data is analyzed.     

错误指定多元线性回归模型的Bayes估计

本文在错误指定下给出了多元线性模型的最优线性 Bayes估计 ,在矩阵损失下讨论了其相对于最小二乘法估计的优良性 ,且获得 Bayes估计的容许性和极小极大性     

混合模型中方差分量估计的容许性及非负估计

对含有两个方差分量的线性混合模型, 本文构造了方差分量的一个线性估计类, 它包含许多常见的方差分量估计. 在这个类中我们建立了容许性的必要条件, 据此得到了两个新的改进估计. 最后我们讨论了方差分量的非负估计, 得到了优于方差分析估计和Tatsuya估计的正估计.     

Estimation of the entropy of a multivariate normal distribution

Motivated by problems in molecular biosciences wherein the evaluation of entropy of a molecular system is important for understanding its thermodynamic properties, we consider the efficient estimation of entropy of a multivariate normal distribution having unknown mean vector and covariance matrix. Based on a random sample, we discuss the problem of estimating the entropy under the quadratic loss function. The best affine equivariant estimator is obtained and, interestingly, it also turns out to be an unbiased estimator and a generalized Bayes estimator. It is established that the best affine equivariant estimator is admissible in the class of estimators that depend on the determinant of the sample covariance matrix alone. The risk improvements of the best affine equivariant estimator over the maximum likelihood estimator (an estimator commonly used in molecular sciences) are obtained numerically and are found to be substantial in higher dimensions, which is commonly the case for atomic coordinates in macromolecules such as proteins. We further establish that even the best affine equivariant estimator is inadmissible and obtain Stein-type and Brewster–Zidek-type estimators dominating it. The Brewster–Zidek-type estimator is shown to be generalized Bayes.