非对称DAR模型的估计与检验

本文研究非对称DAR模型的估计和检验问题.运用拟极大似然方法,构造模型的参数估计,在某些正则条件下,证明估计的相合性和渐近正态性.基于此,构造拟似然比统计量检验模型的非对称性,在原假设和备择假设下,给出该统计量的渐近分布.数值模拟和实证分析结果表明:本文所构造的模型参数估计和检验方法具有良好的有限样本性质.     

无重复因析试验中散度效应的截断估计及其性质

在无重复因析试验的散度效应分析中,常常对残差平方取对数来建立散度效应模型,但是当拟合位置模型后得到的残差绝对值很小或者近似为0时,直接对残差平方取对数建立散度效应模型显然是不合适的.基于此,文章提出了一种新的散度效应估计方法--截断估计,并且考虑了该估计的渐近性质,给出了它的渐近期望和渐近方差.     

φ-混合误差下线性EV模型中最小二乘估计的渐近性质（英文）

本文主要研究φ-混合随机误差下的简单线性EV模型.借助于φ-混合序列的中心极限定理和Marcinkiewicz型强大数定律,在较弱的假设条件下,建立了未知参数最小二乘估计的渐近正态性.另外,利用φ-混合随机变量加权和的强收敛性,得到了该最小二乘估计的强相合性.最后,给出了相关理论结果的数值模拟.     

删失回归模型中基于LAD的线性假设检验研究

在ZhaoLC .Linearhypothesistestingincensoredregressionmodels基础上讨论了删失回归模型的线性假设检验问题 ,在局部备择假设成立时 ,给出了基于最小绝对偏差所构造的检验统计量的渐近分布 ,并对检验统计量的表现进行了统计模拟     

φ-混合样本下似然比统计量的渐近分布

利用泰勒展开方法研究φ-混合样本下考虑一维参数空间似然比统计量的极限分布，在一定的正则条件下，证明了简单原假设下似然比统计量的极限分布为加权x^2-分布．     

基于经验欧氏似然的拟合优度检验

本文借助经验欧氏似然构造一类新的拟合优度检验,并讨论在简单零假设下,检验统计量的极限分布;然后利用极大似然估计所得的参数估计量构造复合零假设下的检验函数,并讨论其极限性质;最后把所得的检验与已有的Pearson x2检验和KS检验进行模拟比较,模拟结果显示基于经验欧氏似然的检验比其他的检验有相对的优势:功效较高、计算简单等,在应用上更具有推广价值.     

带有误差变量的偏度和峰度正态性检验

考虑带有误差变量的正态检验问题，提出了亲折偏度和峰度正态性度验统计量，证明了在零假设成立时，所提出的偏度和峰度检验统计量具有渐近正态的优良性质，模拟计算也表明所提出的检验统计量有良好的功效。     

生长曲线模型中球性检验似然比统计量的渐近分布

讨论了生长曲线模型中尺度参数的球性检验问题(即设原假设为H0∶Σ=σ2I,其中σ20且未知,I为单位矩阵),当尺度参数矩阵Σ为分块对角阵时,以标准正态分布为基础的级数形式给出其似然比检验统计量在备择假设A(即A≠H)下的渐近分布.     

一类非对称的GARCH模型的参数估计

非对称的GARCH模型的估计一般采用拟极大似然估计,这种估计的相合性及渐近正态性结论已经出现在很多文献中.本文对这种模型提出一种新的估计方法-加权拟极大似估计,在一定条件下证明了非对称的GARCH模型的加权拟极大似然估计的相合性和渐近正态性.     

修正Berk-Jones检验统计量在零假设下的极限分布

讨论上界型修正Berk-Jones（RBJ）拟合优度检验统计量在简单零假设下的极限分布后,给出一种新的积分型RBJ检验统计量,并研究这种统计量在简单零假设下的极限分布,然后对这两种RBJ型检验与其他常用检验的功效进行模拟比较。模拟结果显示,两种RBJ型检验在我们所作的大多数模拟情况下不比常用的拟合优度检验差。     

线性误差协变量下部分线性模型的约束统计推断

考虑含有线性误差协变量部分线性模型的统计推断问题。对模型的参数分量,提出了一个线性约束条件下的最小二乘估计,并且证明该估计量满足渐近正态性。同时基于拉格朗日乘子检验方法对约束条件的合理性进行了检验。证明了所提出的检验统计量在原假设成立时渐近服从标准卡方分布。数据模拟表明所提出的估计方法可以有效地消除测量误差对估计精度的影响,并且所提出的检验方法对备择假设是相当敏感的。     

长记忆时间序列趋势项变点的CUSUM检验

本文研究长记忆时间序列趋势项的变点检验问题.基于最小二乘拟合残差构造了一种新的CUSUM型检验统计量,在无变点原假设下证明了检验统计量的极限分布是I型分数布朗运动的泛函,在备择假设下证明了检验统计量的一致性,并提出用Sieve Bootstrap方法确定检验统计量的临界值来避免精确估计冗余参数.数值模拟结果表明,提出的新方法在原假设下能较好地控制检验水平,在备择假设下能达到满意的检验势.     

部分函数型EV回归模型的经验似然推断①

针对解释变量带有测量误差的部分函数型线性回归模型,引入一个合适辅助向量,构造出未知参数的经验对数似然比函数,给出了未知参数和未知系数的极大经验似然估计。进一步证明了所构造似然比函数具有渐近卡方分布,并基于此构造了未知参数的渐近置信域。同时,也证明了给出的未知参数的估计与最小二乘估计一样具有渐近正态性。最后给出系数函数的收敛速度,达到了最优收敛速度。讨论的结果说明经验似然方法对部分函数型EV回归模型的统计推断是有效的。     

高维数据下MANOVA检验

对于高维MANOVA假设检验问题,文章提出了一种新的检验统计量,且对数据的维数和个数的关系没有限制;在一般条件下,分别得到了新检验统计量在原假设和局部备择假设下的渐近分布. 模拟结果表明新的检验具有一定的优势.      

复合零假设下非参数似然比检验的渐近性质

给出了带估计参数的上界型和积分型两种非参似然比拟合优度检验统计量.对上界型检验统计量,研究了与之有关的一个极限性质;对积分型检验统计量,证明了其在复合零假设下的渐近分布.所得结论可以为进一步讨论非参似然比拟合优度检验提供一定的理论基础.     

上次序统计量个数的渐近最优选取

有关极值指数的估计方法不少,其中最著名的估计方法之一是Pickands型估计量.由于估计量都是基于次序统计量来构建的,所以估计量所包含的上次序统计量的个数的选取就是一个值得探讨的问题.基于作者曾经提出的一类新的Pickands型估计量,在一定的正则变换条件下,本文给出了该估计量的渐近展式,进而在渐近均方误差最小的准则下给出了上次序统计量个数的最优选取.     

约束条件下带误差线性协变量的变系数部分线性模型的统计推断

研究了当模型中带有误差线性协变量但有辅助信息,且参数部分有附加的线性约束时,变系数部分线性模型的统计推断问题。给出了线性约束条件下参数的profile最小二乘估计,并且证明该估计满足渐近正态性。同时基于profile拉格朗日乘子检验方法检验约束条件的合理性,证明了在原假设成立时,所给出的检验统计量服从渐近标准卡方分布。最后通过数值模拟验证上述参数估计和检验方法的有限样本性质。     

部分线性回归模型中的广义似然比检验

检验了部分线性回归模型中的函数部分是否为常数, 在备择假设下, 先用局部多项式方法估计出函数部分, 在估计中忽略了参数部分, 将其并入误差项, 再使用二阶段估计法, 直接应用最小二乘方法, 估计出参数部分, 并讨论了它们的渐近性质. 计算了零假设下广义似然比检验统计量的表达式, 并给出其渐近分布.     

两总体分布均值相等的U统计量检验法

在任意总体分布且方差未必相等的情形下,给出了两总体分布均值相等的U统计量检验法,并讨论了检验统计量的相合性、渐近正态性及检验的功效.     

分布对称中心的U检验方法

基于构造U统计量提出了检验对称随机变量分布对称中心的一种新的检验统计量,获得了该检验统计量在原假设与备择假设下的极限分布,并用Bootstrap方法来获得检验拒绝域的临界值,对几类重要对称分布下该检验统计量的检验功效进行了比较,说明了该检验统计量的优良性.