密度核估计的随机加权法

利用随机加权法的思想,找出概率密度函数估计的随机加权统计量,在适当的条件下证明随机加权分布逼近核估计误差分布的精度为     

线性模型中M估计分布的随机加权方法逼近

在线性模型中,M估计的渐近分布通常都涉及到不易估计的未知误差分布的某些量,如果要估计渐近方差,就需对这些冗余参数进行估计.利用随机加权方法可以避免先对误差分布中的冗余参数进行估计.给出了当自变量是随机变量时,M估计分布的随机加权逼近,证明了M估计分布的随机加权逼近是一致相合的.当取不同的凸函数,样本大小和随机权时,进一步利用蒙特卡洛方法研究估计分布.研究表明随机权取泊松权时,不仅达到同样的效果而且可以减小计算量.     

方差估计的随机加权分布的渐近展开—非独立同分布情形

设Ｘ１，．．．，Ｘｎ是一组独立的随机变量序列，设ＥＸｉ＝０，ＶａｒＺｉ＝μ２，ｉ＝１，２，．．．，ｎ，其中μ２是待估参数，当Ｘｉ，ｉ＝１，２，．．．ｎ给定后，分别用Ｄｎ＝ｎ∑ｉ＝１Ｖｉ（Ｘｉ－Ｘ）＾２－１／ｎｎ∑ｉ＝１（Ｘｉ－Ｘ）＾２及Ｕｎ＝ｎ∑ｉ＝１（Ｘｉ－Ｘ）＾２及Ｕｎ＝ｎ∑ｉ＝１Ｖｉ（Ｘｉ－ｎ∑ｉ＝１ＶｉＸｉ）＾２－１／ｎｎ∑ｉ－１（Ｘｉ－Ｘ）＾２两种形式的随机加权分布来逼近Ｔｎ＝１／ｎｎ∑     

部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．     

半参数回归模型中随机加权M估计的强逼近

用随机加权法给出了半参数回归模型中参数的随机加权M估计，在一般的条件下证明了用随机加权统计量的分布逼近原估计量误差的分布的强有效性，并给出了M估计的最优强收敛速度。     

多元统计中期望向量的线性容许估计

设Ｙ１，Ｙ２，…，Ｙｎ独立同分布，ＥＹ１＝β，ＣｏｖＹ１＝Σ，这里β∈Ｒｍ与Σ：ｍ×ｍ＞０均未知．取Ｌ１（ｄ，β）＝（ｄ－β）′（ｄ－β），Ｌ２＝（ｄ，β）（ｄ－β）′，Ｌ＝｛Ｌ１Ｙ１＋Ｌ２Ｙ２＋…＋ＬｎＹｎ：Ｌｉ为ｍ阶实方阵，ｉ＝１，２，…，ｎ｝．本文在Ｌ１和Ｌ２下分别给出了线性估计在Ｌ中是β的容许估计的充要条件．     

条件密度近邻－核估计的逼近速度

本文首先研究了条件密度函数近邻－核估计的误差分布的正态逼近精度,然后利用随机加权法构造了近邻－核估计的随机加权统计量,获得了随机加权逼近精度。     

Weibull分布族中参数的渐近有效估计

本文构造了Ｗｅｉｂｕｌｌ分布族（ｍｘ＾ｍ－１／θｅ＾－ｘｍ／θ，ｘ＞０，ｍ＞０，θ＞０）中形状参数，刻度参数θ的渐近中位无偏限制下的渐近有效估计ｍｎ，θｎ，同时不证明了Ｃ１θｎ＋Ｃ２Ｍｎ为Ｃ１θ＋Ｃ２ｍ的渐近有效估计（其中Ｃ１，Ｃ２为任意给定的常数。）     

具有独立贡献的相依回归模型

考虑相依回归（ＳＵＲ）模型ｙｉ＝Ｘｉβｉ＿ｅｉ，ｉ＝１，２，…，ｍ，Ｅｅｉ＝０，ｉ，ｊ＝１；２，…ｍ，其中ｙｉ和ｅｉ是ｎ×１维随机向量，Ｘｉ是ｎ×ｐｉ已知矩阵，βｉ是ｐｉ×１维参数向量，∑＝（σｉｊ）ｍ×ｍ＞０．文中给出了两个概念：独立贡献和简洁估计．主要结果是如下五种叙述等价：（１）ＳＵＲ模型具有独立贡献；（２）βｉ的ＢＬＵＥ是简洁估计；（３）协方差改进估计是ＢＬＵＥＺ（４）βｉ的ＢＬＵＥ具有形式其中，ｊ＝１，２，…，ｍ；（５）ＰｋＮｉＮｊ＝０，ｉ≠ｊ，ｋ，Ｉ，ｊ＝１，２，…，ｍ     

条件密度近邻—核估计的逼近速度

本文首先了条件密度函数近邻一核估计的误差分布的正态逼近精度,然后利用随机加权法构造了近邻－核估计的随机加权统计量,获得了随机加权逼近精度。     

条件中位数L_1－模核估计的逐点相合性

设（Ｘ，Ｙ）．（Ｘ１，Ｙ１），（Ｘ２，Ｙ２），…为Ｒｄ×Ｒ１上ｉ．ｉ．ｄ．随机向量序列。Ｙ对Ｘ的条件中位数θ（ｘ）定义为在Ｘ＝ｘ时Ｙ的条件分布函数的中位数．校函数Ｋ（·）是Ｒｄ上正实值函数，对ｘ∈Ｒｄ，θ（ｘ）的Ｌ１－模核估计θｎ（ｘ）定义由（１）给出．本文中，我们将文献［４］的均匀核法推广至一般核的情况，并在定义了θ的Ｌ１－模核估计基础之上，研究了其逐点相合性质．     

半参数回归模型的估计的渐近性质

考虑半参数回归模型ｙｉ＝ｘｉ＾１β＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ;其中ｇ为Ｒ上未知函数,σ０＾２＝Ｄ（ｅ１）柴根象等在１９９５年给出了β的二阶段估计βｎ,本文基于β１建立了σ０＾２的估计量σｎ＾２,研究了误差方差估计σｎ＾２的渐近正态性和强相合性,并且得到了可直接用于统计推断的统计量及其分布。     

增长曲线模型的参数估计及其性质

考虑增长曲线模型：Ｙｐ×ｎ＝ＡＢＣ＇＋εｐ×ｎ，Ｅε＝０．其中，ε＝（ε１，ε２，…，εｎ），ε１，ε２…，εｎ独立同分布，Ｅεｉεｉ＇＝Σｐ×ｐ＞０．该文利用协差阵的Σ的（一定意义下的）最小二乘估计Σ，分别给出了参数Ｂ，参数的线性函数ＡＢ，ｔｒ（Ｄ１’Ｂ）＋（Ｄ２Σ）（Ｄ２＝Ｄ‘２）（Ｄ２＝Ｄ２’）的估计Ｂｎ，Ｚｎ和ｔｒ（Ｄ１＇Ｂｎ）＋ｔｒ（Ｄ２Σｎ）．在ε１服从正态分布的情形下，给出了Ｚｎ，Σｎ的分布．并在ε１分布比较一般的情形和一定条件下给出了Ｚｎ，Ｂｎ，Σｎ和ｔｒ（Ｄ１’Ｂｎ）＋ｔｒ（Ｄ２Σｎ）的极限分布皆为正态分布（ｎ→∞）．而且Ｚｎ，和Σｎ，Ｂｎ，和Σｎ都是渐近独立的（ｎ→∞）．从而可构造参数Ｂ的置信区域和更好地进行判别分析，相关分析等．     

Poisson分布参数的渐近最优和可容许的经验Bayes估计

设Ｘ及（Ｘ１，Ｘ２…，Ｘｎ）分别为取自Ｐｏｉｓｓｏｎ分布Ｐ（θ）的当前样本和历史样本，参数θ的先验分布族Ｆ＝｛Γ（ｍ，β）：β＞０｝，其中ｍ＞０已知，Γ（ｍ，β）表示参数为（ｍ，β）的伽玛分布．对ｐ＞０，ｑ＞２的任意两个实数，记ｔｎ＝Ｘ＋∑ｎｉ＝１Ｘｉ＋ｐＸ＋∑ｎｉ＝１Ｘｉ＋ｐ＋ｑ＋（ｎ＋１）ｍ（Ｘ＋ｍ）则在平方损失函数ｌ（θ，ｄ）＝（θ－ｄ）２下，ｔｎ是θ的渐近最优和可容许的经验Ｂａｙｅｓ估计，而且收敛速度为Ｏ（１ｎ）．     

次序统计量线性函数的随机加权逼近速度

设ｘ１，ｘ２，…ｘｎ（连续未知），Ｆｎ为经验分布函数，Ｈｎ（ｘ）为随机加权经验分布函数，。ｘｎ１≤ｘｎ２≤…≤ｘｎｎ为次序统计量．记以Ｆｎ取代σ２（Ｊ，Ｆ）中的Ｆ即得σ２（Ｊ，Ｆｎ）．     

相依样本下条件密度双重核估计的渐近分布

本文讨论了平稳，φ－混合样本下条件密度双重核估计（１）（２）在有限个点处的联合渐近分布，推广了（３）和（４）的结果。     

线性模型中误差方差估计的随机加权逼近

本文利用对样本随机加权的思想,构造了线性模型中误差方差估计的抽样分布的一种新的逼近,与传统的Boostrop方法相比,随机加权逼近不需要样本独立同分布的假设,在很广泛的条件下,我们证明了新逼近方法的相合性。     

NA样本下部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１＜ｉ＜ｎ，其中σ_ｉ～２＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，误差｛ｅｉ｝为ＮＡ变量．我们对β的最小二乘估计βｎ和加权最小二乘估计Ｂｎ，在适当的条件下得到了它们的强相合性．     

两个方差分量的不变二次估计的可容许性

本文对Ｙ￣Ｎ（Ｘβ，θ１Ｖ１＋θ２Ｖ２），Ｖ１，Ｖ２〉０给出了方差分量的线性函数的不变二次无偏估计、不变二次非负估计及不变二次估计不可容许的充要条件，并据此给出了具体判别上述估计的可容许性的方法。     

分位点过程随机加权逼近的相合性

本文将随机加法应用于分位点过程，建立了ｎ＾１／２｛Ｆ＾－Ｄ１ｎ（ｇ）－Ｆ＾－１（Ｇ）｝的分布的随机加权逼近的相合性，并给出了其收敛速度。