非参数回归函数的随机窗宽核估计的重对数律

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为 i.i.d.二维随机变量序列,具有联合分布F(x,y)及密度 f(x,y).X 的边际分布和密度分别记为 F_X(x)和 f_X(x).记 m(x)=E{Y|X=x)}为 Y 对 X 的回归函数.为估计 m(x),Nadaraya 和 watson 独立地引进了如下形式的核估计     

回归函数改良核估计的渐近分布

设(X1,Y1),…,(Xn,Yn)是来自二元总体(X,Y)的样本,若EY＜∞,则回归函数m(x)＝E(Y｜X＝x)存在。在本文中,考虑m(x)的改良核估计     

非参数回归模型中回归函数的估计的渐近性质

§1.引言 考虑下列的回归模型:Y在X=x的条件之下的分布密度为f(y|X=x)=p(y-θ(x)),(1.1)其中p(y)满足条件回归函数θ(x)为下列集合的成员之一存在,x∈U},(1.3)其中U是一个开区间,θ~(p)(x)表示θ(x)的p阶导数。又设随机变量X的分布密度为q(x),它在X的支撑U上为连续正函数。现在设(X_1,Y_1),…,(X_n,Y_n)是(X,Y)的     

加权经验累计分位函数的弱收敛

记(X,Y)为二元随机变量,F(x)为X的边缘分布函数.定义Y关于X的分位回归函数为h(u)=E(Y|F(X)=u),记S(u)=∫u0J(t)h(t)dt为加权累计分位回归函数,其中J(@)为权函数.本文讨论了S(u)的经验版本的弱收敛性质.     

二维连续型随机变量函数的独立性探讨

给出了一种根据二维随机变量(X,Y)的密度函数f(x,y),构造相互独立的随机变量函数U=u(X,Y)和V=v(X,Y)的方法,丰富随机变量独立性的理论,探索X和Y的内在联系.     

回归函数的最近邻估计之大偏差概率的指数率

设(X,Y)是取值于 R~d×R~1 的随机变量,其 X 的边缘分布为 v,Y 关于 X 的条件分布函数为 F(y|x).于是变量 Y 关于 X 的回归函数即条件期望为r(x)=∫_(R~1)ydF(y|x).(1.1)设(X_1,Y_1),…,(X_n,Y_n)是(X,Y) 的一组独立观测值,或称为(X,Y)的一组样本.对固定的 x∈R~d,记(R_(1,x)~(?),…,R_(n,x)~(?)为(1,…,n)的一个随机置换,     

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

回归函数的相合随机窗宽核估计

令(X,Y)为取值于 R~d×R 的随机向量,(X_1,Y_1),……,(X_n,Y_n)为抽自(X,Y)的分布的 iid.样本,m(x)(?)E(Y|X=x)称为 Y 对 X 的回归函数.1964年,Watson和 Nadaraya 首先提出用     

关于回归函数核估计的正态逼近速度

§1.引言和主要结果 设{(X_i,Y_i);1≤i≤n}为来自二元总体的iid样本。对于回归函数r(x)=E(Y|X=x)的估计问题,早在1964年,Nadaraya首先在文献[1]中提出了如下的核估计     

非参数回归函数的基于截尾数据的估计

本文考虑截尾数据情况下非参数回归函数m(x)=E(Y|x)的估计。具体地讲,我们面对的是这样的数学模型:T是与(X,Y)独立的随机变量,我们观测到的不是Y本身,而是Z=min(Y,T)及δ=[Y≤T]。今有训练样本{(X_i,Z_i,δ_i)}_(i-1)及当前样本(X,z,δ),记ξ_i(·)=[z_i≥·], N~ (·)=sum from i=1 to n ξ_i(·), V_n(·)=multiply from i=1 to n{1 N~ (z_i)/2 N~ (z_i)}~[δ_i=_i<0], U_n(·)=sum from i=1 to n Wnt(x)ξ_i(·), 令 m_n(x)=integral from 0 to u_n U_n(y)|V_n(y)dy, 其中u_n=F_2~(-1)(n~(-a)),0<α<1/2为一实常数,F_2(·)=P(Y≥·)为Y的(右侧)分布函数。在权函数{W_(ni)(x)}_(i=1)~n及(X,Y,T)的分布函数满足一组条件下,我们证明了m_n(x)为m(x)的强相合估计,即:m_n(x)→m(x),a.s.(n→ ∞).     

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     

关于最近邻回归估计的收敛速度

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为取位于 R~d×R~1上的 iid.随机向量序列,E|y|<∞.本文研究了回归函数 m(x)的最近邻估计 m_n(x)的强收敛速度问题,在一定条件下证明了它满足重对数律,即■(|m_n(x)-m(x))/(2∑_i~k1v_(ni)~2log logn)~(1/2)≤(2var(Y|X=x))~(1/2)a.s.     

非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

可加模型低维分量估计平均偏差的指数界

设(X,Z,y),(X1,Z1,Y1),…,(Xn,Zn,Yn)为取值于Rp×Rq×R中的I.I.d.随机向量,E|Y|<∞,Y关于(X,Z)的回归函数m(x,z)△E(Y|(X,Z)＝(x,z))具有可加结构:m(x,z)＝m1(x)+m2(z).为估计可加分量,采用Linton&Nielsen(1995)提出的直接估计法,给出了可加分量的最近邻估计和核估计.在较弱的条件下,建立了可加分量最近邻估计和核估计的平均偏差的指数界.     

φ-混合下回归函数改良核估计的渐近正态性

设{(Xi,Yi),i≥1}是从取值于Rd×R的总体(X,Y)中抽取的严平稳、φ-混合样本.回归函数m(x)=E(Y|X=x)改良的递归核估计定义为本文在适当的条件下,讨论了mn(2)(x)的渐近正态性.     

非参数回归函数核估计的收敛速度

<正> §1.引言及记号设(Y,X),(Y_1,X_1),…,(Y_n,X_n)为 iid.(1+d)维随机向量,E(|Y|)<∞,m(x)=E(Y|X=x)为回归函数.Watson,Nadaraya 首先提出的基于样本(Y_1,X_1),…,(Y_n,X_n)的 m(x)的核估计为     

关于DMRL序的若干结论（英文）

设X,Y为非负绝对连续随机变量,X,Y分别具有各自的分布函数F_X,G_Y,使得F_X(0)=G_Y(0)=0,右连续的反函数F_X~(-1),G_Y~(-1),与生存函数F_X,G_Y.记X≤_(dmrl)Y,称X在DMRL(递减的平均剩余寿命)序下比Y小,如果函数∫_G_Y~(-1)(p)~∞G_Y(x)dx/∫_F_X~(-1)(p)~∞F_X(x)dx关于p∈(0,1)递增.考察了DMRL序的特征性质,获得了若干封闭与逆封闭性质.同时,给出了满足DMRL序的若干说明性实例.     

用积分变换法求连续型随机变量函数的密度函数

设X是一个连续型随机变量,其密度函数为px(x),g(x)是一个连续函数,给出了用积分变换求随机变量X的函数9(X)的密度函数的一个方法.该方法比传统的方法更简单.     

回归函数改良核估计的强相合性及收敛速度

令(X,Y),(X_1,Y_1),…,(x_n,Y_n)为R~p×R~1上一串i.i.d。随机向量,且E(|Y|)<∞。研究如何利用(X_1,Y_1),…,(X_n,Y_n)观察的结果估计回归函数 m(x)=E(Y|X=x),称为非参数回归函数估计问题。Watson和Nadaraya首先建议用核估计