相协误差下线性模型回归系数的置信域(英文)

相协性在可靠性理论和统计领域中的一些重要模型中广泛出现.本文在平稳相协误差下研究了线性模型中回归系数的置信域的构造.在适当的条件下证明了回归系数的分组经验似然比统计量的渐近分布为卡方分布,并利用此结果构造了回归系数的经验似然置信域.     

非参数回归函数估计的一个结果

这里g是[0,1]上的未知函数,ε_i是具有零均值的i.i.d随机变量,且假定0≤x_1≤…≤x_n≤1,我们要估计g(x),Priestley and Chao提出了一种加权核估计法,即用     

相依样本下密度函数经验似然置信区间

主要讨论了相依样本下密度函数的经验似然置信区间,仅给出似然比统计量的极限分布,可构造参数的经验似然置信区间.     

强混合样本情形含附加信息时总体分位数的经验似然置信区间

强混合随机变量序列的应用较为广泛,如许多线性过程为强混合的,且一些连续时间扩散模型和随机波动模型为强混合的.在金融风险管理领域分位数又称VaR,它表示给定置信水平下金融资产产生的损失的上限.本文在强混合样本和含附加信息情形构造了总体分位数的对数经验似然比统计量,并证明了对数经验似然比统计量的渐近分布为卡方分布,由此构造了总体分位数的经验似然置信区间.在此基础上考虑了一类检验问题,证明了在同一检验水平下,含附加信息时检验的渐近功效高于不含附加信息时检验的渐近功效,并且含附加信息时检验的渐近功效随信息量的增加而非降.     

一类非参数回归函数导数估计的渐近分布

设y_1,…,y_n是在固定点x_1,…,x_n的n个观察值,适合模型y_i=g(x_i)+ε_i,1≤i≤n,这里g是R~1上的未知函数,{ε_i}为零均值、有限方差的i.i.d.序列,设O=x_o≤x_l≤…≤x_(n-1)≤x_n=1我们用作为g~(p)(x)的估计. 本文给出了的渐近分布,其中x~(1),…,x~(m)为(0,1)内的相异点。     

缺失数据下两线性模型中响应变量分位数差异的经验似然置信区间

总体差异的比较是医学,经济和教育领域中经常遇到的课题,本文讨论缺失数据情形下两线性模型中响应变量分位数差异的经验似然置信区间的构造。我们采用分数线性回归填补法对响应变量的缺失值进行补足,得到两线性回归模型的"完全"样本数据,在此基础上构造响应变量分位数差异的对数经验似然比统计量,在一定条件下证明了统计量的极限分布为加权χ12,并利用此结果构造分位数差异的经验似然置信区间。模拟结果表明在分数填补下得到的置信区间具有较高的覆盖精度。     

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。     

-混合样本下缺失数据情形线性模型回归系数的经验似然比统计量的渐近分布

-混合的概念作为弱相关的衡量尺度在实际中被广泛应用,且缺失数据现象在各领域常有发生,已有文献对相依和缺失数据两种情形的统计推断分别进行了深入研究,但对同时存在相依和缺失数据情形的研究较少.本文研究既有相依又有缺失情形的统计推断,即研究-混合样本下缺失数据情形线性模型回归系数的经验似然比统计量的渐近分布.我们采取回归填补方法对响应变量的缺失值进行补足,得到线性模型回归系数的"完全"样本数据.在此基础上利用记分函数构造线性模型回归系数的经验似然比统计量,在一定条件下证明经验似然比统计量渐近服从卡方分布,这一结论为构造-混合样本下缺失数据情形线性模型回归系数的置信域提供了理论依据.