随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量Y干扰.只有当X≥Y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g（x）,n~（1/2）∫g（x）[dFn（x）-dF（x）]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

依概率收敛与依分布收敛的关系

本文探讨了随机变量序列依概率收敛与依分布收敛的关系 ,并给出了一个依分布收敛能保证依概率收敛的最弱的条件 ,即 :设分布函数列 { Fn(x) }弱收敛于连续的分布函数 F(x) ,则存在随机变量序列{ξn}和随机变量ξ,它们分别以 { Fn(x) }和 F(x)为其对应的分布函数列和分布函数 ,且 {ξn}依概率收敛于ξ.     

依概率收敛与依分布收敛的关系

本探讨了随机变量序列依概率收敛与依分布收敛的关系,并给出了一个依分布收敛能保证依概率收敛的最弱的条件,即：设分布函数列{Fn（x）}弱收敛于连续的分布函数F(x),则存在随机变量序列{ξn}和随机变量ξ,它们分别以{Fn（x）}和F（x）为其对应的分布函数和分面函数,且{ξn}依概率收敛于ξ。     

关于回归函数核估计的渐近正态性

令(X,Y)是具有联合密度f(x,y)的二元随机变量。如果EY有限,则称m(x)=E(Y|X=x)为Y关于X的迴归函数.假设(X_1,Y_1),…,(X_n,Y_n)是来自二元总体(X,Y)的一个随机样本,那么迴归函数的核估计定义作其中K是一元密度函数,{h_n}是一列收敛于0的正数.在Y有界且nh_n~2→∞的条件下,证明了(nh_n)~(1/2)(m_n(x)-Em_n(x))依分布收     

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     

基于随机投影的回归分析

设(X,Y)是F×R上的随机对,其中F为可分的半度量空间.基于广泛应用背景,本文研究的是回归函数r(x)=E[Y|X=x]的最近k-邻域核估计函数r n(x)的收敛问题.通过运用随机投影的方法,本文对函数型数据的最近k-邻域进行回归分析,并得到了其相应的相容性.     

随机截断下PL估计的强表示式

本文在随机左截断情形下,研究了分布函数不连续时,分布函数的乘积限估计（PL估计）Fn(x）的一致强表示式,得到与分布函数连续情形下相同的结果。     

数据非随机缺失时单变量的分布函数估计

本文研究数据非随机缺失下的分布函数估计问题.在确定缺失数据是否属于某些指定区间的前提下,对一维随机变量y的分布函数F(y)作出了估计.此时,假定数据缺失机制形式已知,但包含某未知多维参数θ.本文证明了未知参数θ的估计量(θ)的相合性和渐近正态性,也证明了分布函数F(y)的估计量F(y)的相合性和渐近正态性.     

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,     

数据缺失机制不明确时的分布函数估计

研究了在数据缺失机制不明确时如何估计随机变量Y的分布函数FY(y),该问题不同于可以用参数模型刻画数据缺失机制时的情形,考虑到此时可能出现不可识别现象,获取一些辅助信息是必要的.借助一个可以完全观察到的随机变量X提供必须的辅助信息,构造了随机变量Y的分布函数Fy(y)的估计量,并研究了它的大样本性质.