线程回归系数L_1估计弱相合性的一个必要条件

设 Y_i=x′_iβ_0+e_i,i=1,…,n,为线性回归模型。此处 x_1,x_2,…为已知 p 维向量。以β_n 记β_0的 L_1估计,即设随机误差 e_1,e_2,…独立,med(e_i)=0,且存在正数 l_1,l_2,使 P(-h≤e_i≤0)≤l_1h≥P(0≤e_i≤h),0≤h≤l_2,i=1,2,…则当时,β_n 不是β_0的弱相合估计。     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_i=x′_iβ+e_i,i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里x′_i=(x_(il),…,x_(ip))为已给的p维向量,记x_n=(x_1,…,x_n)′,S_n~(-1)=(x′_nx_n)~(-1)=(h_(nij)),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0相似文献   

基于M—估计的误差密度估计

对于线性模型 Yi=x＇_iβ十e_i,i=1,2,...,{e_i}_(i= 1)~∞i.i.d.,e_1有未知密度函数f（x）,本文基于β的M-估计的残差:e_i=Yi—x＇_iβ,i=1,2,…,n,其中β为β的M-估计,用 f_n(x)=1/2na_n sum from i=1 to n I(x-a_ne_i^≤x a_n)估计f(x）,得到了这种估计的强收敛速度,一致强收敛速度,L_1-模相合性,渐近正态性,重对数律。     

控制问题中的容许性问题

<正> 设■为一组回归方程,其中e_i,i=1,…,p为iidN(0,1),设计矩阵X_p=(x_1,…,x_p)′为p×p非退化矩阵,β∈R~p为参数,Y_p=(y_1,…,y_p)′为观察值向量.所谓控制问题就是寻找控制点x_(p+1)=x_(p+1)(Y_p),使得对应的输出y_(p+1)=x_(p+1)β+e_(p+1)与指定值y=1靠近,其中e_(P+1)～N(0,1)并且与Y_p独立.观察值Y_p只是起着训练样本的作用.这     

一类混合回归模型中估计的收敛速度

考虑回归模型y_i=x_iβ+g(t_i)+e_4,i=1,2,…,n,其中 g(·)是未知光滑函数,β是未知待估参数,e_4是随机误差.设{(x_4,t_4,y_4),1≤i≤n}是 i.i.d.子样.本文首先给出了 g(·)的一类近邻估计n(·),然后基于模型 y_4=x_4β+(t_4)+e_4得到了β的最小二乘估计.在适当条件下,证得了及 g(·)的最终估计(·)的强弱收敛速度.     

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     

BAHADUR ASYMPTOTIC EFFICIENCY FOR PARAMETER ESTIMATE IN MULTIPLE REGRESSION

1. INTRODUCTION Consider the multiple regression model xi=ciβ+ei,i=1,2,…,(1) where c_i=(c_(il),…,c_(ip)), i=1, 2,…are given row vectors; β∈R~p is an unknown parameter vector; e_1, e_2,…are i.i.d. random variables with a common probability density function f(x) with respect to the Lebesgue measure. Let x_1, x_2,…be a sequence of observa-     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_4=x_i~′β e_i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里 x_i~′=(x_i1,…,x_(ip))为已给的 p 维向量.记 x_n=(x_1,…,x_n)′,S_n~(-1)=(x_n~′x_n)~(-1)=(h_(nij),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0<α   

线性估计弱相合性的一个问题

§1.引言和主要结果 设有线性回归模型其中x_i=(x_(i1)…,x_(ip))′,(i=1,2,…),为一串已知向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向量,{e_i}为随机误差序列。我们称{e_i}满足Gauss-Markov条件(简称GM条件),如果     

关于线性模型中LS估计相合的条件

考虑线性模型yi=X_i~rβ+e_i i=1,2,…,其中β是未知的 p-维向量参数,{e_i,i≥1)为独立随机变量序列满足均值 Ee_i=0,r-阶矩 E|e_i|~r 有限,这里1≤r<2,i=1,2,….本文在某种意义下,建立了β的最小二乘(LS)估计的(1):r 阶矩相合的充分必要条件;(2):一元回归(即 p=1)的强相合的充分必要条件和对设计矩阵 X_n=(x_1,…,x_n)有某些约束下,多元回归中强相合的充分必要条件;(3):弱相合的充分必要条件.这里考虑所加条件的途径与以往文献中的途径完全不同.     

判断Birkhoff插值矩阵平衡性的一些方法

<正> Birkhoff 插值问题可以描述为:设E=(e_(ij))_(i=0,j=0)~(k+1 n)是一个0,1矩阵(或插值矩阵),其中恰有n+1个1,设x_0相似文献   

线性模型中误差方差估计的收敛速度

在通常的线性模型y_i=x′_iβ+e_i(i=1,…,n,…)中,设σ~2=Var(e_i),由前n次观测值y_1,…,y_n,可得基于残差平方和的σ~2的估计(?)_n~2,本文证明了:若随机误差序列独立同分布,则对某个t≥1,E|e_1~2|~t<∞的充要条件为,对任给的ε>0,这样,对于(?)_n~2-σ~2的收敛速度,得到与同分布独立和情形同样优良的结果。     

一类半参数回归模型中估计的相合性(Ⅰ)

考虑半参数回归模型(Ⅰ):y_i=x_iβ+g(t_i)+e_i,1≤i≤n,(1)其中,X=(x_1,…,x_n)′,T=(t_1,…,t_n)′是随机向量,e=(e_1,…,e_n)′是随机误差;且(X,T)与 e 相互独立,Ee_i=0,Ee_i~2=σ~2<∞;β是未知参数,g(t)是定义在[0,1]上的未知光滑函数.关于模型(Ⅰ)的研究,目前在文献上能见到的结果已有一些了,主要集中在讨论未知参数β的自适应估计(?)_n 的构造上;Schick 在文[7]中提出并讨论了模型(Ⅰ)的一类特殊情形,Heckman 在文[5]及 Chen 在文[2]中均讨论了当 g 的估计取一类光滑样条时,参数     

线性模型中误差方差估计的分布的渐近展开

<正> §1.引言许宝騄教授在他的著名的工作[1]中,得到了样本方差1/(n-1)sum from i=1 to n (X_i-(?))~2(经过规则化)的分布的渐近展开.本文的目的是把许教授的结果推广到线性模型中误差方差的基于残差平方和的估计.考虑线性模型Y_i=x′_iβ+e_i,i=1,2,…,n,…. (1)此处,{x_i}为一串已知的 p 维向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向     

回归系数线性函数的均方相合估计——问题与猜测

设有线性模型 Y_i=x′_iβ+e_i,i=1,…,n,… (1) 其中{x_i}为已知的p维向量,β为未知的p维向量,{e_i}为随机误差序列。以β_π记β的基于(1)的前n个观测值Y_1,…,Y_π的最小二乘估计(LSE)。在[1]中,我们曾建立如下的结果:     

布尼雅可夫斯基不等式的推广

定理:不等式 (sum from i=1 to m(a_(1i) a_(2i)…a_(ni)))~n≤≤sum from i=1 to m(a_(1i))~n sum from i=1 to m(a_(2i))~n…sum from i=1 to m(a_(ni))~n對於任意自然數n都成立,其中a_(ki)為正數(K=1,2,…,n,i=1,2,…,m). 證明: 設 A_K~n=sum from i=1 to m(a_(Ki))~n (K=1,2,…,n), x_(Ki)=a_(Ki)/A_K,(K=1,2,…,n i=1,2,…,m)則從n侗正數的幾何平均值小於或等於其算術平均值這個結果可得 x_(1i)x_(2i)…x_(ni)≤((x_(1i))~n+(x_(2i))~n+…+(x_(ni))~n)/n由此更推得a_(1i)a_(2i)…a_(ni)=A_1A_2…A_n(x_(1i)x_(2i)…x_(ni)≤     

关于哈密顿线图的一个注记

一、 引言令 G 是顶点集合为 V(G)且边集合为 E(G)的简单图.图 G 的线图 L(G)是顶点集合为 E(G)的图,L(G)的两个顶点,e_1和 e_2是相邻接的当且仅当 e_1和 e_2在 G中有一个公共顶点.图 G 的一条通道是点与边的一个交替序列 v_0,e_1,v_1,…,v_(n-1),e_n,v_n 其中 e_i(i=     

集合论与代数的新的运算(Ⅰ)

定义1 令X={x_1,x_2,…,x_n},n是自然数;对于任意给定的A A,B∈P(X),A={x_(i1),x_(i2),…,x_(ik)},1≤i_1相似文献   

关于误差方差估计渐近正态收敛速度的上,下界

考虑线性回归模型 Y_■=x_4~′β+e_■ i=1,2,…设误差序列■,i≥1满足条件:e_■ i≥1 i.i.d.,Ee_1=0,Ee_1~2=σ~2>0,∞>Var e_1~2=τ~2>0。记■_n~2=1/(n-r){sum from j=1 to n e■-sum from k=1 to r (sum from j=1 to n a_(akj)■_j)~2} δ(n)=τ~(-2)E(■_1~2-σ~2)~2I_((|■-σ~2|≥■τ)+τ~(-3)n~(1/2)|E(■_1~2-σ~2)~3I_((|■_1~2-σ~2|<(nτ)~(1/2))+τ~(-4)n~(-1)E■_1~2-σ~2)~4I_((|■-σ~2|0使得■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|≤C(δ(n)+n~(-1/2)) ■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|+n~(-1/2)≥C_1δ(n)。     

一类混合回归模型中估计的收敛速度

考虑回归模型 y_i=x_iβ+g(t_i)+e_i,i=1,2,…n,其中g(·)是未知光滑函数,β是未知待估参数,e_i是随机误差。 设{(x_i,t_i,y_i,),1≤i≤n}是i.i.d.子样。本文首先给出了g(·)的一类近邻估计■_n(·),然后基于模型y_i=x_iβ+■_n(t_i),+e_i得到了β的最小二乘估计■_n。在适当条件下,证得了■_n及g(·)的最终估计■_n~■(·)的强弱收敛速度。