固定设计下混合序列回归函数的小波估计

考虑非参数回归模型Ｙ_i＝ｒ（ｔ_i）＋ε_i,其中ｔ_i为固定设计点列,｛ε_i｝为ρ混合相依随机变量,本文用小波方法建立ｒ（ｔ）的估计ｒ（ｔ）,并讨沦了它的渐近无偏性,弱收敛,强收敛,及其收敛速度,     

固定设计情形下回归函数小波估计的泛相合性

本文引入固定设计情形下回归函数小波估计的泛相合性概念，证明了此小波估计的泛相合性。     

回归函数非线性小波估计的一致强相合性

设（Ｘ_１,Ｘ_１）,…,（Ｘ_ｎ,Ｙ_ｎ）是从总体（Ｘ,Ｙ）中抽取的ｉ．ｉ．ｄ样本且服从［０,１］上的均匀分布．本文在平方积分损失下得到了回归函数ｇ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的非线性小波估计的一致相合性．     

回归函数核估计的收敛速度

本文在P≥1的条件下,给出了回归函数m(x)的核估计m_n(x)的若干种p阶平均收敛速度,改进并推广了文献[1]及[2]中的若干结果。     

固定设计下回归函数的小波估计

对于非参数回归模型：Y\-i=g(t\-i)+ε\-i,i=1,…,n，其中{t\-i}为固定设计点列,{ε\-i}为α 混合的平稳序列,该文建立了回归函数 g(t) 的小波估计并研究了其相合性、强相合性和收敛速度.     

完全与删失数据下回归函数小波估计的强一致收敛速度

在完全和右删失数据下，构造了回归函数g(x)的小波估计和改良小波估计，得到了估计量的若干强一致收敛速度。     

混合误差下回归函数小波估计的一致收敛速度

该文构造了回归函数的一类小波估计，在误差序列为ψ 混合或φ 混合下得到了小波估计的强一致收敛速度和狉阶矩一致收敛速度．     

半参数回归模型小波估计的强逼近 *

考虑半参数回归模型y_i=x^T_iβ +g( t_i ) +e_i,i=1 ,2 ,… ,n ,其中 β∈R^d 为未知回归参数 ,g(·)为 [0 ,1 ]上的未知Borel函数 ,{x^T_i}为R^d 上的随机设计 ,{t_i}为常数序列 ,{e_i}为i.i.d .随机误差 ,Eei=0 .在适当的条件下 ,证明了 β和g(·)的小波估计 ^{^}β和^{^}g(·)的强相合性 ,并且得到了^{^}β和^{^}g(·)的强相合速度 .     

非参数回归函数核估计的强收敛速度

本文给出回归函数m(x)=E(Y|X=x)满足λ(0<λ≤1)阶Lipschitz条件,且E|Y|~r<∞,r>1时,对m(x)的核估计有同时本文也改善了赵林城、方兆本(1985年)和孙东初(1985年)关于m_n(x)强相合于m(x)的结果。     

随机删失半参数回归模型小波估计的渐近性质

考虑半参数回归模型Y_i=X_iβ g(T_i) e_i,i=1,2,…,n,β∈R为未知回归参数,g(·)为[0,1]上的未知Borel函数。在完全和右删失数据下,本文利用小波光滑方法并综合最小二乘法,就删失分布已知和未知的情形分别定义了β,g(T)的小波估计(?),(?)(T),在一定条件下,证明了(?)的渐近正态性,同时得到了(?)(T)的最优收敛速度。     

强相关数据回归函数的小波估计

讨论了在强相关数据情形下对回归函数的小波估计,并且给出了估计量的均方误差的一个渐近展开表示式． 对研究估计量的优劣,所推导的近似表示式显得非常重要．对一般的回归函数核估计,如果回归函数不是充分光滑,这个均方误差表示式并不成立A·D2但对小波估计,即使回归函数间断连续,这个均方误差表示式仍然成立．因此,小波估计的收敛速度要比核估计来得快,从而小波估计在某种程度上改进了现有的核估计．     

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.     

函数系数线性自回归模型的样条估计

基于多项式样条全局光滑方法,建立函数系数线性自回归模型中系数函数的样条估计.在适当条件下,证明了系数函数多项式样条估计的相合性,并给出了它们的收敛速度.模拟例子验证了理论结果的正确性.     

半参数变量含误差函数关系模型的小波估计

本文研究半参数变量含误差函数关系模型，应用小波估计法和全最小二乘法得出未知参数和未知函数的估计，在一般的条件下，证明了估计的强相合性、一致强相合性，并给出了误差方差估计的强收敛速度。     

截尾数据下非参数回归函数核估计的强收敛速度

本文考虑在右侧随机截尾模型下，非参数回归函数核估计的强收敛问题，在一组自然的条件下，得到了与完全样本情况相当的收敛速度。     

相依样本分布函数和回归函数核估计的强收敛性及其速度

本文讨论样本为φ-混合和α-混合时分布函数核估计的强相合性.在α-混合时讨论其收敛速度,我们的结果与i.i.d.情况相一致,从而改进了[2]中的结论。同时,本文还在ρ-混合下,讨论回归函数核估计的强收敛性及收敛速度,其结果接近于独立情形。     

相依误差下回归函数导数估计的强收敛速度

设Y_1,…,Y_n是在固定点x_1,…,x_n的n个观察值,适合模型 Y_i=g(x_i) ε_i,1≤i≤n.(1)这里g(·)是R上的未知函数,{ε_i}为随机(误差)变量序列,且假定0=x_0≤x_1≤…≤x_(n-1)≤x_n=1. 给定非负整数p,为了估计g的p阶导数g~(p)(x)(p=0时,即为g(x)),秦永松用     

半参数回归模型小波估计的弱收敛速度

本文研究了误差为鞅差序列情形下的半参数回归模型.利用小波方法,在相当一般的条件下,得到了参数、非参数估计量的弱收敛速度.     

带有误差变量的自回归模型的局部多项式估计

该文主要研究带有误差变量的自回归模型的自回归函数的非参数估计问题,应用卷积核函数,给出了自回归函数的局部多项式估计,考察了局部多项式估计的相合性和渐近正态性,最后作了模拟计算.     

关于非参数回归M－估计的最优收敛速度的一点记注

假设随机观测数据（Ｔ１，Ｙ１），…，（Ｔｎ，Ｙｎ）满足非参数回归模型Ｙｉ－ｇ０（Ｔｉ）＋ｕｉ，１≤ｉ≤ｎ。本文讨论非参数回归函数ｇ０的分段多项式Ｍ估计ｇｎ的最优收敛速度问题，其中ｇｎ满足为一ｍ阶分段多项式函数类，ρ是给定的一个函数，它不一定处处可微．在一定条件下，本文证明了上述稳健Ｍ估计达到非参数回归的最优收敛速度．