关于非参数回归M－估计的最优收敛速度的一点记注

假设随机观测数据（Ｔ１，Ｙ１），…，（Ｔｎ，Ｙｎ）满足非参数回归模型Ｙｉ－ｇ０（Ｔｉ）＋ｕｉ，１≤ｉ≤ｎ。本文讨论非参数回归函数ｇ０的分段多项式Ｍ估计ｇｎ的最优收敛速度问题，其中ｇｎ满足为一ｍ阶分段多项式函数类，ρ是给定的一个函数，它不一定处处可微．在一定条件下，本文证明了上述稳健Ｍ估计达到非参数回归的最优收敛速度．     

随机删失场合部分线性模型中的核光滑方法

考虑模型Ｙ＝Ｘβ＋ｇ（Ｔ）＋ｅ。其中ｇ为［０，１］上的未知光滑函数，β为一维待估参数，为不可观察误差．当观察受到随机删失时，本文基于核光滑和综合数据方法导出了β和ｇ的估计βｎ＊和ｇｎ＊证明了βｎ＊的渐近正态性，并获得了ｇｎ＊的非参数收敛速度Ｏ（ｎ－１／３）     

误差为鞅差序列的半参数回归模型估计的相合性

设半参数回归模型Ｙ（ｎ）ｉ＝β·ｘ（ｎ）ｉ＋ｇ（ｔ（ｎ）ｉ）＋Ｅ（ｎ）ｉ,ｉ＝１,２,…,ｎ,本文由最小二乘法和一般加权方法定义的β、ｇ（ｔ）的估计量βｎ,ｇｎ（ｔ）,在误差为鞅差序列下获得了βｎ,ｇｎ（ｔ）的ｒ（≥２）阶平均相合性．     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

固定设计的时间序列半参数回归

考虑如下的半参数回归模型：Ｙｉ＝ｘＴｉ十ｇ（ｔｉ）＋εｉ（０≤ｉ≤ｎ）其中｛εｉ,０≤ｉ≤ｎ｝和｛εｔ,０≤ｔ≤ｎ｝有相同的联合分布,｛εｔ,－∞＜ｔ＜∞｝是具有零均值和有限方差δ２的严平稳α－混合时间序列．本文构造了上述模型中β,ｇ（ｔ）和ρ２的局部多项式估计,在适当的条件下,得到了估计的渐近正态性和收敛速度．在一定的假设下,β的估计是自适应的,而且ｇ（ｖ）（ｔ）（ｇ（ｔ）的第ｖ阶导数）的估计的收敛速度是最优的．     

部分线性模型回归系数估计的渐近分布

考虑部分线性模型Ｙ＝Ｘ‘β＋ｇ（Ｔ）＋ｅ，ｘ∈Ｄ，ｔ∈「０，１」，β为未知的参数向量，ｇ为未知函数，Ｃｈｅｎ给出此模型的一种估计如下，先用分段多项式逼近ｇ，然后用最小二乘法估计β，「１」得到估计量β的渐近正态性。因其渐近分布中含有未知参数，不能直接用于检验问题。     

一个部份自回归模型的渐近有效性

本文考虑部分自回归模型Ｘｔ＝ｘｔ－１β＋ｇ（Ｕｔ）＋εｔ，ｔ≥１。这里ｇ是一未知函数，β是和待估参数，εｊ是具有０均值和方差σ＾２的ｉ．ｉ．ｄ．误差，Ｕｔｉ．ｉ．ｄ．服从［０，１］上均匀分布。     

一个高阶三点边值问题的可解性

本文考虑以下三点边值问题：ｘ＾（ｎ）＝ｆ（ｔ，ｘ，．．．，ｘ＾ｎ－１）（０≤ｔ≤１），ｘ（０）＝ξ１，ｘ＾（ｉ）（ｃ）＝ξｉ＋１（０≤ｉ≤ｎ－３），ｘ（１）＝ξｎ，其中ｃ∈（０，１）ｇｎ ξｉ∈Ｒ＾ｋ是给定的，利用基于度理论的一定不动点定理，得到了关于以上边值问题的某些存在唯一性结果。     

删失场合半参数回归模型的二阶段估计

对于半参数回归模型ｙｉ＝ｘ′ｉβ＋ｇ（ｔｉ）＋ｅｉ，１≤ｉ≤ｎ，ｇ为Ｒ１上未知函数，β为ｐ×１维待估参数向量．本文考虑当ｙｉ被随机删失时β和ｇ的估计．基于模型的可加性，利用综合数据法得到β的二阶段估计β～＊ｎ和ｇ的估计ｇ＊ｎ，并证明了它们的强相合性．     

半参数回归模型的估计的渐近性质

考虑半参数回归模型ｙｉ＝ｘｉ＾１β＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ;其中ｇ为Ｒ上未知函数,σ０＾２＝Ｄ（ｅ１）柴根象等在１９９５年给出了β的二阶段估计βｎ,本文基于β１建立了σ０＾２的估计量σｎ＾２,研究了误差方差估计σｎ＾２的渐近正态性和强相合性,并且得到了可直接用于统计推断的统计量及其分布。     

具有独立贡献的相依回归模型

考虑相依回归（ＳＵＲ）模型ｙｉ＝Ｘｉβｉ＿ｅｉ，ｉ＝１，２，…，ｍ，Ｅｅｉ＝０，ｉ，ｊ＝１；２，…ｍ，其中ｙｉ和ｅｉ是ｎ×１维随机向量，Ｘｉ是ｎ×ｐｉ已知矩阵，βｉ是ｐｉ×１维参数向量，∑＝（σｉｊ）ｍ×ｍ＞０．文中给出了两个概念：独立贡献和简洁估计．主要结果是如下五种叙述等价：（１）ＳＵＲ模型具有独立贡献；（２）βｉ的ＢＬＵＥ是简洁估计；（３）协方差改进估计是ＢＬＵＥＺ（４）βｉ的ＢＬＵＥ具有形式其中，ｊ＝１，２，…，ｍ；（５）ＰｋＮｉＮｊ＝０，ｉ≠ｊ，ｋ，Ｉ，ｊ＝１，２，…，ｍ     

Poisson分布参数的渐近最优和可容许的经验Bayes估计

设Ｘ及（Ｘ１，Ｘ２…，Ｘｎ）分别为取自Ｐｏｉｓｓｏｎ分布Ｐ（θ）的当前样本和历史样本，参数θ的先验分布族Ｆ＝｛Γ（ｍ，β）：β＞０｝，其中ｍ＞０已知，Γ（ｍ，β）表示参数为（ｍ，β）的伽玛分布．对ｐ＞０，ｑ＞２的任意两个实数，记ｔｎ＝Ｘ＋∑ｎｉ＝１Ｘｉ＋ｐＸ＋∑ｎｉ＝１Ｘｉ＋ｐ＋ｑ＋（ｎ＋１）ｍ（Ｘ＋ｍ）则在平方损失函数ｌ（θ，ｄ）＝（θ－ｄ）２下，ｔｎ是θ的渐近最优和可容许的经验Ｂａｙｅｓ估计，而且收敛速度为Ｏ（１ｎ）．     

部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．     

NA样本下部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１＜ｉ＜ｎ，其中σ_ｉ～２＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，误差｛ｅｉ｝为ＮＡ变量．我们对β的最小二乘估计βｎ和加权最小二乘估计Ｂｎ，在适当的条件下得到了它们的强相合性．     

关于Thue方程的解数

设ｍ是正整数，ｆ（Ｘ，Ｙ）＝ａ０Ｘｎ＋ａ１Ｘ（ｎ－１）Ｙ＋．．．＋ａｎＹｎ∈Ｚ［Ｘ，Ｙ］是Ｑ上不可约化的叫ｎ（ｎ≥３）次齐次多项式。本文证明了：当ｇｃｄ（ｍ，ａ０）＝１，ｎ≥４００且ｍ≥１０（３５）时，方程｜ｆ（ｘ，ｙ）｜＝ｍ，ｘ，ｙ∈ｚ，ｇｃｄ（ｘ，ｙ）＝１，至多有６ｎｖ（ｍ）组解（ｘ，ｙ），其中ｖ（ｍ）是同余式Ｆ（ｚ）＝ｆ（ｚ，１）≡０（ｍｏｄｍ）的解数。特别是当ｇｃｄ（ｍ，ＤＦ）＝１时，该方程至多有６ｎ（ω（ｍ）＋１）组解（ｘ，ｙ），其中ＤＦ是多项式Ｆ的判别式，ω（ｍ）是ｍ的不同素因数的个数．     

半参数回归的线性小波光滑

考虑半参数回归模型上未知函数,ｙｉ＝ｘ_ｉβ＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ,ｇ（·）为Ｒ~１上未知参数,β∈Ｒ~ｐ为待估参数, Ａｎｔｏｎｉａｄｓ［３］中给出了非参数回归模型的小波估计,借鉴［３］我们利用偏残差法给出了β、ｇ（·）的小波估计β、ｇ（·）．本文研究了β、ｇ（·）的弱相合性及它们偏差和方差的渐近性质,并且得到了β的渐近正态性．     

混合误差下回归权函数估计的强相合性

对非参数模型Ｙｉ＾（ｎ）＝ｇ（ｘｉ＾（ｎ））＋ξｉ＾（ｎ）,用权函数ｇｎ（ｘ）＝Σ↑ｎ↓ｉ＝１Ｗｎｉ（ｘ）Ｙｉ＾（ｎ）;估计ｇ（ｘ）,在误差为某些相依随机变量列下,我们获得了ｇｎ（ｘ）,的强相合性及一致强相合性。     

关于学生氏U—统计量的渐近性质

设Ｘ１，Ｘ２，．．．，Ｘｎ（ｎ≥２）为ｉ．ｉ．ｄ随机变量，Ｕｎ为以ｈ（ｘ１，ｘ２）为对称核的Ｕ－统计量，Ｅｈ（Ｘ１，Ｘ２）＝θ，且σｇ＾２＝ＶａｒＥ〔ｈ（Ｘ１，Ｘ２〕－θ│Ｘ１│〉０。设σｇ＊＾＊＾２是σｇ＾２的Ｂｏｏｔｓｔｒａｐ量，施锡铨在关于核ｈ的二阶矩的条件下，证明了：当ｎ→∝时，σｇ＊＾＊＾２→σｇ＾２ａ．ｓ，因此Ｗｎ＝√ｎ（Ｕｎ－θ）／２σｇ＾＊＊依分布收敛于标准正态变量。本文在关于核ｈ     

线性常微分方程组解的特征数的估计

复数域上线性系统ｘ＝Ａ（ｔ）ｘ，当Ａ（ｔ）＝（ａｉｊ（ｔ））ｎ×ｎ具有（ｎ，Ｎ，ｒ） 差异性质且ｒｎ时，解的特征数ｊ有估计λｊ－ｌｉｍｔ→∞１ｔ∫ｔｔ０Ｒｅａｊ（τ）ｄτｎ－１ｒ＋１－ｎｌｉｍｔ→∞１ｔ∫ｔｔ０Ａ（τ）ｄτ，ｊ＝１，２，…，ｎ，其中Ａ（ｔ）＝ｍａｘ｛｜ａｉｊ（ｔ）｜：ｉ，ｊ＝１，２，…，ｎ，ｉ≠ｊ．｝     

m（n）－相依样本非参数回归残差密度的相合估计

考虑非参数回归模型：Ｙｉ＝Ｍ（Ｘｉ）＋ｅｉ，其中Ｍ（ｘ）为Ｂ（Ｒ）上的未知实函数，（Ｘｉ，Ｙｉ）为来自（Ｘ，Ｙ）的ｍ（ｎ）相依样本，残差（ｅｉ）具有公共的未知密度ｆ（ｘ）．本文基于残差估计给出了ｆ（ｘ）的一种非参估计，并证明该估计具有逐点相合性，一致相合性及Ｌ１相合性．