随机删失下回归函数最近邻估计的强收敛速度

针对随机右删失数据, 就截尾时间变量的分布已知和未知两种情况, 构造了一类非参数回归函数的最近邻估计, 在适当的条件下得到估计量的强收敛速度.     

左截断右删失数据下分位密度估计的重对数律

在左截断右删失数据下，我们基于乘积限估计给出了分位密度估计， 获得了分位密度估计及其导数的重对数律。     

分组删失数据下生存函数Turnbull估计的强收敛性

证明了分组删失情形下生存函数的Turnbull估计具有强极限，并给出极限值所满足的方程。     

左删失右截断数据的分位数的固定宽度序贯置信区间估计

基于左截断右删失数据下的乘积限估计构造了分位数固定宽度序贯置信区间及其估计，研究了序贯置信区间估计的渐近性质。作为副产品，获得了分位数估计近邻点的Bahadur表示定理。这个表示定理是推导分位数固定宽度序贯置信区间估计渐近性质的重要基础。同时，在文中，进行了一些计算机模拟试验，证明了左截断右删失数据下分位数估计的序贯方法是效的和精确的。     

删失数据下回归函数的加权局部复合分位数 回归估计

在右删失数据下,研究了误差具有异方差结构的非参数回归模型,利用局部多项式方法构造了回归函数的加权局部复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,当误差为重尾分布时,该估计比局部多项式估计以及核估计表现得更好.     

随机删失数据下几种风险率函数估计的渐近性质

文中对于删失数据下几种不同的风险率函数估计进行了研究。使用与以往不同的方法，在较弱的条件下，改进并扩充了现有文献的结果，获得了这几种风险率函数估计的渐近正态性，一致强弱相合收敛速度以及重对数律且进行了数值模拟。     

左截断右删失数据下光滑分布函数估计效率

研究了左截断右删失数据下光滑分布函数估计,并获得了其渐近性质.在MSE意义下,给出了光滑分布函数估计与经验估计(即乘积限估计)的相对亏量,证明了在一定的条件下,光滑分布估计要优于经验分布估计,并通过模拟说明了光滑分布函数估计比乘积限估计更加有效.     

左截断右删失模型下乘积限估计的强大数律(Ⅱ)

对左截断右删失模型，在不要求分布函数连续的条件下，给出乘积限估计F_n是真分布的一致强相合估计的完整结果．作为推论，还给出右删失模型下的K－M估计和左截断模型下的乘积限估计的一致强相合性的完整结果．     

截断与删失数据下的一个回归方法

对于截断与删失下的反映变量,我们提出了一类广义乘积限估计,并获得了它的弱收敛性.在回归分析中,利用这类广义乘积限估计来定义一种最小距离的参数估计,并获得了这种参数估计的相合性和渐近正态性.     

右删失数据下线性回归模型的中心极限定理

将完全数据下(Y, Z)的联合分布F(y, z)的估计问题和线性回归模型Y =b^T Z+e的参数估计问题推广到右删失数据模型. 对于回归系数b和误差方差的加权最小二乘估计, 在最一般的条件下证明了中心极限定理, 给出了渐近方差的简单表达公式.     

删失数据下线性回归模型的参数估计

主要叙述在数据观测不完全的情况下,采用最小二乘法对线性回归模型回归系数的估计及估计量的渐进性质,并给出数据模拟．     

截尾数据非参数回归函数加权核估计

在截尾数据下研究非参数回归函数加权核估计的相合性,对强相合性给出一些较弱的充分条件,这些结论较大程度地改进了现有的结论．     

On Consistency of the Nearest Neighbor Estimator of the Density Function and Its Applications

In this paper, we mainly study the consistency of the nearest neighbor estimator of the density function based on asymptotically almost negatively associated samples. The weak consistency,strong consistency, uniformly strong consistency and the convergence rates are established under some mild conditions. As applications, we further investigate the strong consistency and the rate of strong consistency for hazard rate function estimator.     

删失数据回归误差项的非参数密度估计的一致相合性(英文)

回归误差项是不可观测的. 由于回归误差项的密度函数在实际中有许多应用, 故使用非参数方法对其进行估计就成为回归分析中的一个基本问题. 针对完全观测数据回归模型, 曾有作者对此问题进行了研究. 然而在实际应用中, 经常会有数据被删失的情况发生, 在此情况下, 可以利用删失回归残差, 并使用核估计的方法对回归误差项的密度函数进行估计. 本文研究了该估计的大样本性质, 并证明了估计量的一致相合性.     

强混合样本下最近邻密度估计的渐近正态性

研究了α-混合样本下最近邻密度估计的渐近性质,证明了估计的渐近正态性并且给出了其渐近方差的显式表达式,由此构造了α-混合样本下概率密度的渐近置信区间.     

右删失数据下非线性回归模型的经验似然推断

考虑随机右删失数据下非线性回归模型,提出了模型中未知参数的调整的经验对数似然比统计量.在一定的条件下,证明了.所提出的的统计量具有渐近χ~2分布,由此结果构造了兴趣参数的置信域.通过模拟研究,对经典的经验似然、调整的经验似然和非线性最小二乘方法在有限样本下进行了比较,并对氯离子浓度试验数据进行了分析.     

Fixed Design Nonparametric Regression with Truncated and Censored Data

In this paper we consider a fixed design model in which the observations axe subject to left truncation and right censoring. A generalized product-limit estimator for the conditional distribution at a given covaxiate value is proposed, and an almost sure asymptotic representation of this estimator is established. We also obtain the rate of uniform consistency, weak convergence and a modulus of continuity for this estimator.Applications include trimmed mean and quantile function estimators.     

Design Adaptive Nearest Neighbor Regression Estimation

This paper deals with nonparametric regression estimation under arbitrary sampling with an unknown distribution. The effect of the distribution of the design, which is a nuisance parameter, can be eliminated by conditioning. An upper bound for the conditional mean squared error of k−NN estimates leads us to consider an optimal number of neighbors, which is a random function of the sampling. The corresponding estimate can be used for nonasymptotic inference and is also consistent under a minimal recurrence condition. Some deterministic equivalents are found for the random rate of convergence of this optimal estimate, for deterministic and random designs with vanishing or diverging densities. The proposed estimate is rate optimal for standard designs.     

双边删失场合生存函数的非参数Bayes估计的弱收敛性

本文针对双边删失数据讨论了生存函数的非参数Bayes估计问题,运用Fred-holm积分的一些经典结果,文中证明了该估计弱收敛的一个Gaussian过程。     

Conditional Quantile Estimation with Truncated, Censored and Dependent Data

This paper deals with the conditional quantile estimation based on left-truncated and right-censored data.Assuming that the observations with multivariate covariates form a stationary α-mixing sequence,the authors derive the strong convergence with rate,strong representation as well as asymptotic normality of the conditional quantile estimator.Also,a Berry-Esseen-type bound for the estimator is established.In addition,the finite sample behavior of the estimator is investigated via simulations.