相依误差广义线性模型的M估计的Bahadur表示

考虑如下广义线性模型y_i=h(x~T_i,β)+e_i=1,2,…,n,其中e_i=G(…,ε_(i-1),ε_i),h是一个连续可导函数,ε_i是独立同分布的随机变量,并且它的期望为0,方差σ~2有限.本文给出了参数β的M估计,并且得到了该估计的Bahadur表示,该结论推广了线性模型的相关结论.应用M估计的Bahadur表示,得到了相依误差的线性回归模型,poisson模型,logistic模型和独立误差的广义线性模型等模型的渐近性质.     

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。     

再论线性模型中回归系数的最小二乘估计的相合性

<正> (一) 引言 考虑线性模型Y_i=x′_iβ+e_i,i=1,…,n,….这里x_1,x_2,…为已知的试验点列β=(β_1,…,β_p)′为未知参数,e_1,e_2,…为随机误差序列.假定E(e_i)=0对一切i.由前n次试验结果算出β的最小二乘估计     

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     

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。     

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:     

鞅差误差下线性EV模型最小二乘估计的中偏差

研究了线性EV模型:η_i=θ+βx_i+ε_i,ξ_i=x_i+δ_i,1≤i≤n.当误差(ε_i,δ_i)为鞅差序列情形时,讨论了未知参数β和θ的最小二乘估计的中偏差问题.     

线性模型中误差方差估计的Lp（1≤p≤∞）—度量性质

§1.引言及主要结果 考虑线性回归模型 Y_i=x′_iβ+e_i,i=1,2,…,(1)其中{e_i}为独立的试验误差序列,满足条件 Ee_i=0,0相似文献   

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。     

一般混合线性模型固定效应、随机效应与另一随机向量的联合估计

讨论一般混合线性模型中固定效应β、随机效应ξ_i(i=1,2,…,k)与另一随机向量δ的联合估计,得到了β、ξ_i(i=1,2,…,k)及δ的线性组合的最佳线性无偏估计,推广了有关文献中的结果,并从一个直观角度刻划了β、ξ_i(i=1,2,…,k)与δ的线性组合的最佳线性无偏估计的一种最优性,推广有关文献的结果.     

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.     

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     

线性模型中误差方差估计的完全收敛性

在通常的线性模型y_i=x~_i′β_i+e_i(i=1,2,…)中,设σ~2=V_ar(e_i)。由前n次观测值y_1,y_2,…y_n可得基于残差平方和的σ~2估计(?)_n~2。本文中,当{e_n}为iid时,我们给出了许多(?)_n~2-σ~2完全收敛的充分必要条件,当{e_n)为独立但不同分布时,我们给出了(?)_n~2-σ~2完全收敛的充分条件,同时指出这些条件不能再减弱了。     

误差为AANA序列线性回归模型M估计的强相合性

考虑线性回归模型y_i=x_i~Tβ_0+e_i,i=1,2,…,n,其中误差{e_i,i=1,2,...,n}为渐近几乎负相关的随机序列.研究了该模型中参数的M估计的强相合性,也得到了AANA序列的Bernstein型不等式,推广了NA样本的相应结论.     

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n.β∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

线性模型中\varphi-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β+e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

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   

一种方式分组随机模型中估计方差分量的最小风险设计

§1.引言一种方式分组随机模型:y_(ij)=β α_i ε_(ij),i=1,…,n,j=1,…,m_i,(1.1)其中 ε_(ij)(i=1,…,n,j=1,…,m_i)是相互独立的随机误差,α_i(i=1,…,n)是独立的随机变量.Eα_i=Eε_(ij)=0,varε_(ij)=θ_1>0,varα_i=θ_2≥0,cov(α_i,ε_(ij))=0.β、θ_1、θ_2是未知参数,β∈R~1,(θ_1,θ_2)~T∈Θ(?){θ_1>0,θ_2≥0}.     

线性模型中φ-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

混合回归模型误差方差M估计的弱收敛性

考虑混合回归模型 y_i=x_i~Tβ+σε_i,(1)其中x_i~T=(y_(i-1),…,y_(i-p),z_(i1),…,z_(ik)),{ε_i}为i.i.d.残差序列,Eε1=0,Eε_1~2=1,而β=(β_1,…,β_p,β_(p+1),…,β_(p+k))~T与σ>0为未知参数,并且φ(B)=1-β_1B-…-β_pB~p=0的根全在单位圆外. 本文拟在文[1]的基础上定义模型(1)误差方差σ的M估计,并证明其弱收敛性. 设X(x)为某个可测函数,β为(1)中回归参数β的某个相容估计,称方程