混合序列下分位数估计的强相合及其Bahadur表示

本文在混合序列下,证明了分位数估计的强相合性并给出其Bahadur表示.     

-混合误差下非参数回归函数加权核估计的相合性

本文在-混合误差下讨论Priestly,M.B.和Chao,M.T.提出的一类给参数回归函数加权核估计的相合性.     

PA样本非参数回归权函数估计的强相合性

在PA样本下，讨论非参数回归模型中权函数估计的强相合性及强一致相合性。     

ρ混合序列权函数估计的渐近性质

为研究非参数回归模型中ρ混合序列权函数估计的渐近性质问题,在矩条件较合理的情形下,采用相依序列概率不等式以及截断的方法,获得了回归函数g(·)权函数估计的几乎处处收敛的强相合性;在矩条件和权函数条件较合理的情形下,利用相依序列概率不等式以及Bernstein大小分块和Lyapunov中心极限定理的方法,获得了回归函数g(·)权函数估计的渐近正态性.将其他相依序列下相应方法和结论推广到ρ混合序列.     

ρ～混合误差下回归函数的小波估计

研究了误差为ρ～混合平稳序列时,固定设计下非参数回归模型的小波估计.在适当的条件下得到了估计的渐近无偏性、均方相合性、强相合性.     

线性回归分位数的相依样本估计的强相合性

在误差为平稳强φ混合随机序列的条件下,证明了线性模型中的回归分位数的估计的强相合性     

一类混合序列下半参数模型估计的强相合性

目的在混合随机误差下证明半参数回归模型参数估计的强相合性质。方法利用引理不等式及已给条件进行证明。结果证明了参数β的最小二乘估计和未知函数g(·)的非参数核估计是强相合的。结论半参数回归模型中的参数β和非参数函数g(·)的估计量在ρ混合误差下具有强相合性。     

m—相依误差回归函数加权估计的强相合性

在ｍ－相依下，研究非参数回归模型的未知回归函数权函数估计的强相合性，得到了较好的结论。     

PA序列下半参数回归函数估计的强相合性

对于半参数回归模型Yni=β.tni＋g（xni）＋εni,（1≤i≤n）,在误差{εni,1≤i≤n}为平稳PA相依序列条件下,得到未知函数g（x）的权函数估计和未知参数β估计的强相合性.     

α-混合误差下纵向数据半参数回归模型的均方相合性

考虑误差为α-混合序列下的纵向数据半参数回归模型,基于广义最小二乘法和非参数权函数方法分别给出了模型中未知参数β和未知函数g（·）的估计,在适当条件下,证明了β和g（·）的估计量的均方相合性．     

相依误差下非参数回归函数估计的强相合性

当误差为平稳、φ－混合过程时，在一定的条例下证明了一类非和回归函数加权核估计的强相合性。     

中心化半参回归模型系数的岭估计

文章讨论中心化半参数回归模型,通过LS和权函数法结合给出回归函数的估计,并讨论其强相合性,再运用岭估计给出未知系数的估计,证明其优良性．     

强混合序列下非参回归函数加权核估计的强收敛速度

在误差项为强混合序列的条件下,利用随机变量部分和的矩不等式,讨论非参回归函数加权核估计的强相合性,给出其收敛速度.当样本矩足够大时,强相合的收敛速度约等于n-1/2.     

φ 混合序列滑动和过程回归模型的相合性

 在误差为φ-混合序列的滑动和过程下,研究了其回归模型估计量的相合性问题。在一般的条件下,利用Cr不等式、Jensen不等式、Hlder不等式、φ-混合序列的矩不等式及其权函数的一些性质,给出了此回归模型估计量的q 阶平均相合性和一致q-阶平均相合性,推广了已获得的部分结果。     

方向数据的核密度估计

文「１」提出了一种新的密度估计,并在ｉ．ｉ．ｄ的情形下得到了该估计的强相合性,本文在ρ－混合及φ－混合情形下也得到了该估计的强相合性。     

混合误差下波动函数的局部多项式估计

文章考虑了具有混合误差的固定设计下的非参数回归模型,在回归函数及波动函数未知的情况下,利用回归函数的局部多项式估计,构造了波动函数的局部多项式估计;给出了该估计的渐近偏差和渐近方差,并在一定条件下得到了该估计的渐近正态性。     

线性模型M—估计下误差密度估计的相合性

线性模型Ｙｉ＝ｘ′ｉβ＋ｅｉ,ｉ＝１,２,…,其中ｅｉ｛｝∞ｉ＝１ｉｄ．,有未知密度ｆ（ｘ）．讨论了在对β作一般估计后,基于残差作出的误差密度核估计的相合性．在比文献［７,８］弱的条件下,证明了误差密度核估计的逐点弱相合,逐点强相合和一致强相合．     

α-混合误差下非参数回归函数加权核估计的相合性

在α-混合误差下讨论Priestly和Chao提出的一类非参数回归函数加权核估计的相合性.对文献[1]中,{ε_i}为强混合误差序列的情形,添加了不同的条件及计算得到g_n{x}→g(x),a,s的结论.     

φ混合样本下频率插值密度估计的强相合性

Scott 1985年提出频率插值密度估计,并在独立样本条件下证明其均方误差收敛速度快于直方图估计,且达到与密度核估计一样的速度,所以它是一种较好的密度估计.Carbon等1997年在α混合样本下证明频率插值密度估计的强相合性及其收敛速度,Nadia和Sophie2010年将其结果推广到多元情形.本文则是将这些研究推广到φ混合样本情形,证明频率插值密度估计的强相合性,获得较好的收敛速度,并减弱了结论的条件.     

约束线性模型下回归系数的条件根方估计

提出了约束线性模型下回归系数的条件根方估计和广义条件根方估计,证明了在一定的条件下,两者在均方误差意义都能很好改进回归系数的约束最小二乘估计,并讨论了它们的可容许性及广义条件根方估计中未知参数的选取方法．