相依误差下异方差非参数回归模型的样条估计

一些经济金融等实际数据中含有非线性趋势、异方差和相依关系,固定设计和相依误差下的异方差非参数回归模型因其能够反映这些数据特征而有着重要的应用．样条方法是常用的非参数光滑方法之一．为了探究样条方法在这类模型中的可用性,本文在$\alpha$- 混合条件下,讨论了均值函数和方差函数的多项式样条估计的逐点相合性,得到了逐点收敛速度．此外,还对所讨论的方法进行了数值模拟,结果表明样条方法在这类模型的应用中是可行的．     

误差为单位根过程的非参数回归模型均值变点的检测

基于多分辨分析的小波分析通过检测小波系数的绝对值来检测数据中的变点。本文利用小波方法和极限定理对噪声为单位根过程的非参数回归模型均值变点进行检测。在原假设成立的条件下得到任意尺度上检验的临界值,证明检验的一致性,并且给出小波系数的阈值。在备择假设成立的条件下,给出变点个数、变点位置的相合估计与收敛速度。最后利用模拟研究说明了方法的有效性和实用性。     

具有非参数AR(1)误差的回归模型的局部线性估计

考虑随机设计下具有一阶非参数自回归误差的线性回归模型,构造了参数和非参数函数的局部线性估计。在适当的条件下,证明了参数估计量的渐近正态性,并给出了非参数函数估计的收敛速度。模拟算例表明局部线性方法优于核方法。     

线性过程方差变点的估计

本文研究线性过程方差变点的估计问题,给出了变点的CUSUM型估计量.在误差不相依情形下得到了线性过程的Hájek-Rényi型不等式,在较弱的条件下推导出了估计量的收敛速度,最后模拟结果证实本文的结论.     

噪声为厚尾过程的非参数函数变点的小波估计

本文给出了随机设计下非参数回归模型中噪声为无穷方差过程的小波检测和估计方法。利用基于经验小波系数的检验统计量,在原假设成立的条件下,推导出任意尺度上检验的临界值,证明了检验的一致性;在备择假设成立的条件下,得到变点个数、变点位置的相合估计与收敛速度。数值模拟以及IBM股票数据实例分析的结果均表明方法是有效的。     

线性模型中基于加权残差的渐进变点检测

本文研究线性模型中渐变变点的检验问题．首先,提出了基于加权残差部分和Weighted-CUSUM的检验统计量．其次,证明了原假设下检验统计量依分布收敛于标准布朗桥,备择假设下检验统计量依分布收敛于带有漂移项的布朗桥,并给出检验相合性的条件．最后,模拟结果表明所提方法是可行的．     

纵向数据半参数回归模型估计的强相合性

本文考虑如下纵向数据半参数回归模型:yij=x'ijβ g(tij) eij。基于最小二乘法和一般的非参数权函数方法给出了模型中参数β,回归函数g(·)和误差方差σ2的估计,并在适当条件下证明了估计量的强相合性。     

非参数自回归函数的有限元估计及其收敛速度

针对局部方法不能给出所拟合模型的简单的显式表达式,而且拟合和预报的计算量较大,本文考虑一种估计非参数自回归函数的全局有限元方法。该方法不但能克服上述局部方法之不足,而且在一定情形下优于多项式样条方法。在α-混合条件下得出了非参数自回归函数有限元估计的收敛速度,同时给出了利用AIC准则自动选择结点个数的数据追赶法,模拟算例说明了有限元估计方法的可行性。     

相依样本一类非参数回归函数估计的强相合性

设Y_1,Y_2,…,Y_n是在固定点x_1,x_2,…,x_n的n个观察值,适合模型 Y_1=g(x_1)+ε_x,1≤i≤n (1) 这里g是R上的未知函数,{ε_1}为零均值的平稳、φ-混合过程,假定0=x_0≤x_1≤…≤x_(n-1)≤X_n=1。用 g_n(x)=sum from n-1 to ∞n Y_1H_n~(-1)(x_1-x_(x-x)K((x-x_1)/h_n) (2) 作为g(x)[x∈(0.1)]的估计。 本文讨论了g_n(x)的强相合性。     

部分变量带误差的线性函数关系模型的参数估计及相合性

本文讨论了部分变量带误差的线性函数关系模型的参数估计问题，在较弱条件下证明了所获得的估计的强相合性，并给出了收敛速度。     

局部线性回归模型的半参估计

针对局部线性估计方法收敛速度较慢且对窗宽选择不稳健的问题,本文提出一种改进的局部线性半参估计方法。首先,选择不同窗宽作相应的局部线性估计,然后利用这些估计构造参数回归模型,由此给出回归函数的参数估计。相对于局部线性估计,新方法在不改变方差阶的情况下,将估计偏差的阶由h2减小至h4,最优均方收敛速度提高至O(n?89),且对窗宽选择稳健。模拟研究验证了新方法的有效性。     

Change Point Estimation in the Mean of Multivariate Linear Profiles with No Change Type Assumption via Dynamic Linear Model

Change point estimation is a useful concept that helps quality engineers to effectively search for assignable causes and improve quality of the process or product. In this paper, the maximum likelihood approach is developed to estimate change point in the mean of multivariate linear profiles in Phase II. After the change point, parameters are estimated through filtering and smoothing approaches in dynamic linear model. The proposed change point estimator can be applied without any prior knowledge about the change type against existing estimators which assume change type is known in advance. Besides, sporadic change point can be identified as well. Simulation results show the effectiveness of the proposed estimators to estimate step, drift and monotonic, as well as sporadic changes in small to large shifts. In addition, effect of different values of the Multivariate Exponentially Weighted Moving Average (MEWMA) control chart smoothing coefficient on the performance of the proposed estimator is investigated presenting that the smoothing estimator has more uniform performance. Copyright © 2015 John Wiley & Sons, Ltd.     

截尾数据下一类半参数回归模型的估计

讨论了一类半参数回归模型y =x′β+g(t′α) +e .假定y被随机变量T右侧截尾 ,T与y独立 ,T～G。在G已知和未知两种情况下 ,构造了α、β和g(·) 的强相合估计     

一种改进的多元线性回归空调负荷预测模型

提出一种改进的多元线性回归空调负荷预测模型,在对空调负荷进行初始线性预测后,把实际测量值和预测值的差值作为一个新的增加量,作用到下次的多元线性回归预测中。在通过数据处理后,得到了比单纯的非线性回归预测方法更高的精度,说明这种预测方法是有效的。     

An Individuals Generalized Likelihood Ratio Control Chart for Monitoring Linear Profiles

This paper investigates a generalized likelihood ratio (GLR) control chart for detecting sustained changes in the parameters of linear profiles when individual observations are sampled. The control charts usually used for monitoring linear profiles are based on taking a sample of n observations at each sampling time point, where n is large enough that a regression model can be fitted at each sampling point using these n observations. For this sampling scenario, it has been shown that a GLR control chart has many advantages over other control chart schemes in terms of convenience of design, fast detection of process changes, and useful diagnostic aids. However, in many applications, it may not be convenient or possible to take a sample larger than n = 1. Therefore, it is desirable to develop some control chart to monitor profile data with individual observations (n = 1) at each sampling point. In this paper, we consider a GLR control chart based on individual observations and show that it has certain advantages compared with the GLR chart based on groups of observations. An important advantage of GLR control charts is that the only design parameter that needs to be specified in order to use a GLR chart is the control limit, and here, control limits for linear profiles up to eight regression coefficients are provided for convenient use by practitioners. Copyright © 2013 John Wiley & Sons, Ltd.