排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
2.
非参数回归函数估计的一个结果 总被引:22,自引:0,他引:22
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 相似文献
3.
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. 相似文献
4.
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. 相似文献
5.
6.
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。 相似文献
7.
8.
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。 相似文献
9.
-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. 相似文献
1