ASYMPTOTICS OF THE RESIDUALS DENSITY ESTIMATION IN NONPARAMETRIC REGRESSION UNDER m（n）-DEPENDENT SAMPLE

Let Y_i=M(X_i)+ei, where M(x)=E(Y|X=x) is an unknown realfunction on B(? R), {(X_1,Y_i)} is a stationary and m(n)-dependent sample from(X, Y), the residuals {e_i} are independent of {X_i} and have unknown common densityf(x). In [2] a nonparametric estimate f_n(x) for f(x) has been proposed on the basisof the residuals estimates. In this paper, we further obtain the asymptotic normalityand the law of the iterated logarithm of f_n(x) under some suitable conditions. Theseresults together with those in [2] bring the asymptotic theory for the residuals densityestimate in nonparametric regression under m(n)-dependent sample to completion.     

稳定积分的弱收敛

令{X;X_n≥1}是一列严平稳的随机变量,且其分布F在一个α-稳定分布的吸引场,这里0α1.本文考虑∑_(i=1)~n f_n(β,i/n)(X_i)/(a_n)的弱收敛性.不同于经典意义下的随机过程弱收敛,本文将∑_(i=1)~n∫_n(β,in/)(X_i)/(a_n)看作β变化的随机元,利用点过程收敛方法得到了其弱收敛性.     

变换核估计和迭代算法

设X_1,X_2,…,X_n为独立同分布的随机变量,其密度函数为f(x),该函数有较陡的起始部分和较长的尾部,如对数正态和威布尔密度函数等。考虑一个变换T:Y_i=T(X_i),使得Y_i的密度函数g(y)具有较小的估计误差。这样,f(x)可用T′(x)g(T(X))来估计。本文给出了变换核估计的迭代算法。并讨论了估计的特性,蒙特卡罗方法模拟的结果表明变换核估计对对数正态及威布尔分布的密度函数的估计是合适的。     

ON THE STRONG CONSISTENT CONDITIONS OF THE NEAREST NEIGHBOR DENSITY ESTIMATE IN GENERAL KERNEL CASE

§1. Introduction and Main Results Let X_1, X_2, …, X_n be iid. Samples drawn from a population with distribution F and density f in R~1. The method using the kernel estimator f_n(x) to estimate, f(x) was suggested by Rosenblatt and Parzen, where     

渐近Bayes判别

<正> 一、引言设(θ,X),(θ_1,X_1),…,(θ_n,X_n)为 iid 随机变量,其中 X 取值于只 R~d(d≥1),θ只取0,1两个值,记 P(θ=0)=η_0,P(θ=1)=η_1=1-η_0,设 X 在给定θ=i 时的条件密度为 f_i(x)dx,i=0,1.(θ_1,X_1),…,(θ_n,X_n)是已知的样本,常称为训练样本,在实际应用上,常需借助于它们,以根据 X 之观测值,对θ的值做出判別.记 f(x)=η_0f_0(x)+η_1f_1(x),则后验概率为     

关于U—统计量的条件Berry—Esseen不等式

一、引言 设(Ω,?,P)为一概率空间,{X_i}为iid的随机变量序列,其共同的分布为F(x).设h(x,y)为二元对称函数,满足条件:Eh(X_1,X_2)=0,定义U-统计量如下:     

最近邻判别法中错误概率估计的强收敛速度(英文)

本文考虑最近邻判别法中错误概率估计的强收敛速度.设(X,θ),(X_1,θ_1),…,(X_n,θ_n)为取值于 R~m×{1,2,…,M}的 i.i.d.样本,m≥1,M≥2为正整数.记θ′_n 为θ的最近邻判别,错判概率 R_n=p(θ′_n≠θ),恒有(?)R_n=R.(?)_n 为基于 X,并借助于训练样本(X_1,θ_1),…,(X_nθ_n)的 R_n 的估计量.我们证明了在一组条件下,及对适当选取的α>0,有(?)_n-R=0(1/(n~α)).     

关于平稳序列随机变秩顺序统计量的极限分布

令{ζ_n}是平稳序列,ζ_1~(n)≤ζ_2~(n)≤…≤ζ_n~(n)是ζ_1,…,ζ_n的顺序统计量,x∈R,a_n>0,b_n是实数列,u_n=α_nx+b_n,设f_n(x),g_n(x)是取正整数值的波雷尔可测函数,且f_n(x)≤g_n(x)≤n,g_n(x)关于n严格递增,设X是离散值随机变量且关于σ(ζ_1)可测,令对某q∈(0,1)有 本文在一种混合条件下,讨论了的渐近性质。     

序贯最近邻密度估计

§1.引言设 X_1,…,X_n 是从某个具有分布 F 和密度 f 的一维总体中抽出的独立同分布(iid)样本,为估计密度函数 f(x),1965年 Loftsgarden 和 Quesenberry 提出了下面一种估计方法:选定一个与 n 有关的自然数 k_(?)≤n,找出最小的α_n(x),使得区间[x-(?)),x α_n(x)]内至少包含样本 X_1,…,X_n 中的 k_n 个点,并用     

U-统计量的分布的非一致性收敛速度

设{X_n}为一串iid.随机变量,h(x,y)为两个变元x,y的对称函数,则称 U_n=(?)~(-1) sum from (i≤i相似文献   

一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

M—估计量的收敛性

Ω为参数空间(p维欧氏空间的子集),X_i,i=1,…,n,为k维随机向量样本(iid.)取自未知分布F,p(x,t)为定义在R~k×Ω上的实函数(Ω为Ω之闭包),且假定p(x,t)≥C>-∞.具体的例子可见[1]与[2].关于M-估计量的统计性质,我们首先关心的θ_n是是否收敛,即当n→∞时,是否有     

ON THE PROBLEM OF BEST CONVERGENCE RATES OF DENSITY ESTIMATES

Let X_1,…,X_n be iid samples drawn from an m-dimensional population with a probabilitydensity f,belonging to the family C_(ka),i.e.the family of all densities whose partialderivatives of order k are bounded by a.It is desired to estimate the value of f at somepredetermined point a,for example a=0.Farrell obtained some results concerning the bestpossible convergence rates for all estimator sequence,from which it follows,for example,thatthere exists no estimator sequence{γ_n(0)=γ_n(X_1,…,X_n,0)}such that(?)E_f[γ_n(0)-f(0)]~2=o(n~(-2k/(2k m))).This article pursues this problem further and proves that there existsno estimator sequence{γ_n(0)}such thatn~(-k/(2k m))(γ_n(0)-f(0))(?)0,for each f∈C_(ka),where(?)denotes convergence in probability.     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

一类密度函数最近邻估计的一致收敛速度

<正> 设 X_1,X_2,…,X_n 是来自 R_d(d≥1)上的具分布函数 F(x)的总体的 iid.样本.F(x)有概率密度 f(x),k=k(n)是与 n 有关的自然数.找最小正数 a_n(x),使得     

ρ-混合序列部分和乘积的几乎处处极限定理

设{X_n,n≥1}是一严平稳的ρ-混合的正的随机变量序列,且EX_1=μ＞0, Var(X_1)=σ~2,记S_n=Σ_(i=1)~n X_i和γ=σ/μ,在较弱的条件下,证明了对任意的x,,其中σ_1~2=1+2/(σ~2)∑_(j=2)~∞Cov(X_1,X_j),F(·)是随机变量e~(2~(1/2)N)的分布函数,N是标准正态随机变量,我们的结果推广了i．i．d时的情形．     

B值随机指标和序列收敛速度的一个注记

本文给出了级数 sum from n=1 to ∞ (n~((q/p)-2)P{‖S_(τ_n)‖)≥δ(τ_n(φ(τ_n))~d)1/p}<∞ 成立的一个充分条件,其中δ为任意给定的正数,d=1或d=-1,q≥p,0相似文献   

B值随机指标和序列收敛速度的一个注记

本文给出了级数sum form m=1 to n(q/p)-2P{‖S_(τ_n)‖≥8(τ_n( (τ_n))~d)~(1/p)}<∞成立的一个充分条件,其中δ为任意给定的正数,d=1或 d=-1,q≥p,0相似文献   

多参数同时估计的容许性

令 X_1,…,X_n 是一串独立随机变量,且 X_1～P_(θ_i)θ_i∈(?)_i,(i=1,2,…,n),假设估计θ_i 的损失函数为 L(θ_i,d_i),δ_i(X_i)是仅依赖 X_i,θ_i 的一个容许估计(i=1,2,…,n).现在我们要同时估计(θ_1,…,θ_n)′(?)θ,其损失函数取为 sum from i=1 to n L(θ_i,d_i),那么(δ_i(X_1),…,δ_n(X_n))′是θ的容许估计吗?早在50年代,Stein 就证明了,在 n≥3,X_i～N(θ_i,1),L(θ_i,d_i)=(θ_i-d_i)~2条件下,上述结论不成立.近20余年,很多作者也研究了这个问题,指出 Stein 的现象对许多分布,例如 Poisson 分布,Gama 分布,负二项分布及位置参数估计皆存在.但在什么条件下,(δ,(X_1),…,δ_n(X))′是容许的则很少研究,仅仅有少数特殊情况下的结果(见[3]).本文给出了相当一般的充分条件(定理1.1),利用定理1.1,研究了 L(θ_i,d_i)=λ(θ_i)(g(θ_i)-d_i)~2时,结论成立的充分条件(定理2.1).还给出了多个位置参数,Pitman 估计为容许的充分条件.最后一节给出了五个具体例子,它包括在平方损失下,多个正态密度及分布函数的容许估计;参数自然区间 为有限区间之指数族分布,在平方损失下,同时估计多个均值的线性容许估计;若 X_i～Poisson 分布 P_(2_i),i=1,2,…,n(a_1x_1,…,a_nx_n)′在损失函数sum from i=1 to n     

关于构造泛相容近邻概率权函数使用的随机距离的一个注记

C.J.Stone曾在其Consistent Non-Parametric Regression一文中提出了构造泛相容的近邻概率权函数系列{W_(Ni):i=1,…,N;N=1,2,…}的一般方法。其中W_(Ni)=W_(Ni)(X;X_1,…,X_N)代表在子样X_1,…,X_N的布局下计算在X点的条件概率经验分布时在X_i点的资料Y_i,所占的权;而(X,Y),(X_1,Y_1),…,(X_N,Y_N)则是i.i.d的d+d′维随机矢量。其步骤是先构造在布局x;x_1,…,x_N之下的距离PN:X;X_1,…,X_N(简记为PN)。然后用PN衡量各X_i(i=1,…,N)到X的远近。由近及远赋予X_i从大到小