关于Wiener过程的滞制增量问题的苦干结果

设｛ｗ（ｔ），ｔ≥０｝是标准的Ｗｉｅｎｅｒ过程．本文研究了关于Ｗ（ｔ）的滞制增量有多小的问题，取掉了［４］中的一个不必要的限制，并得到了若干精细的结果．     

偏线性模型的核——最小二乘估计法的渐近性质

设有偏线性模型 Y=X′β+g(T)+e,其中(X,T)为取值于 R~p×[0,1]上的随机向量,β为 p×1未知参数向量,g是定义于[0,1]上的未知函数,e 为随机误差,均值是0,方差σ~2>0未知,且 e 与(X,T)独立.本文综合核和最小二乘的方法定义了β,g和σ~2的估计量和,在十分自然合理的条件下证明了和的渐近正态性,并得到了g_n~*的最优收敛速度.     

半参数回归模型参数估计的收敛速度

没有半参数回归模型Y=X’β g(T) e,其中(X,T)为取值于R~p×[0,1]上的随机向量,β为p维未知参数向量,g是定义在[0,1]上的未知函.e为随机误差,Ee=0,Ee~2=σ~2>0,且(X,T)与σ独立.参数β和σ~2的估计量(?)_n和(?)_n~2通常可利用非参数的权函数估计法与参数的最小二乘方法的结合得到.本文对核函数的情形得到了(?)_n和(?)_n~2的精确的收敛速度——重对数律.所施条件则与证明(?)_n和(?)_n~2的渐近正态性时施加的条件一致.又本文的证明方法对一般的权函数也适用.     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

关于Gauss过程增量的若干结果

设{X(t), t≥0}是具有平稳增量的Gauss过程,满足X(0)=0(a. s.),EX(t)=0,σ~2(h)=E(X(t+h)-X(t))~2=EX(h)~2=C_0h~(2a),其中C_0>0,0<α<1。本文研究了这类过程的增量问题,将Wiener过程增量所具有的性质(见[4,5,6])推广到{X(t), t≥0}的增量上来。     

A LAW OF THE ITERATED LOGARITHM FOR L_1-NORM KERNEL ESTIMATOR OF THE CONDITIONAL MEDIAN

Let (X,Y)be a pair of two-dimensional random variables.In this paper we establish a law of the iterated logarithm for the L_1-norm kernel estimator of the conditional median function of Y on X,which gives sharp pointwise rate of strong consistency.     

半参数回归模型的参数估计的Bootstrap逼近

设有半参数回归模型Y=Xβ+g(T)+e.对利用核光滑方法得到的参数分量β和误差方差σ²的估计量β_n和σ_n²,本文通过对原样本进行重抽样的方法,构造了β_n和σ_n²的Bootstrap 统计量β_n*和σ_n^*2.证明了在给定原样本的条件下,n^1/2(β_n*-β_n)和n^1/2(σ_n^*2-σ_n²)分别与n^1/2(β_n-β)和n^1/2(σ_n²-σ²)有相同的渐近分布.     

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．