一、半参数模型误差为NA序列时的r阶矩相合性(论文文献综述)
陈壮[1](2020)在《ANA随机变量序列的强收敛性及其在非参、半参模型中的应用》文中进行了进一步梳理极限理论问题是概率论与数理统计的一个重要研究方向.但是在许多现实问题中,绝大部分随机事件之间是并不存在独立关系,故相依性概念应运而生,其在我们的工作与生活中有着广泛的发展空间和应用前景,如风险评估、多元统计分析、统计决策、金融分析、气象预报、工程计算等方面.本文研究了ANA(Asymptotically Negatively Associated)随机变量加权和的完全收敛和完全矩收敛的相关问题.利用ANA随机变量的矩不等式和随机控制条件,我们得到了ANA随机变量加权和的完全收敛和完全矩收敛性,并进而推出了ANA随机变量部分和的Marcinkiewicz-Zygmund型强大数定律.所得结果改进和推广了Chen和Sung[25]相应的结果.利用建立的理论结果,进一步研究了ANA随机误差下非参数回归模型中加权估计量的相合性质.此外,借助一些概率不等式,我们得到了基于ANA序列的线性过程的完全收敛性.在此基础上,我们研究了在线性过程中基于ANA随机误差下半参数回归模型中相关估计量的相合性质.所得到的结果改善了已有文献的相关结论.故本文结果进一步丰富和完善了ANA随机变量的概率极限理论和统计大样本理论.
张雅静[2](2020)在《AANA随机变量的收敛性质及其应用》文中研究表明本文主要研究渐近几乎负相关(AANA)随机变量序列这一重要相依序列的性质.介绍了AANA随机变量的概念以及相关的不等式和引理,然后研究了AANA随机变量序列的强收敛性和完全收敛性,并且给出了该变量在非参数、半参数回归模型中的应用.首先,本文研究了 AANA随机变量序列的强收敛性质.受邱德华和杨向群[73]对同分布负相关(NA)序列加权和的强大数定律的启发,我们证明了 AANA随机变量序列加权和的强收敛性质,并且获得了该随机变量序列的Marcinkiewicz-Zygmund型强大数定律.其次,研究了AANA阵列加权和的完全收敛性.本文运用Marcinkiewicz-Zygmund型不等式和Rosenthal型不等式,我们重点研究了 AANA阵列的完全收敛性,该结论改进了Baek等[74]关于NA阵列完全收敛的性质.除此之外,我们还证明了 AANA误差下非参数回归模型中估计量的完全相合性.最后,考虑半参数回归模型:Y(j)(xin,tin)=tinβ+g(xin)+e((j)xin),1≤j≤m,1≤i≤n,其中xin∈Rp,tin∈R股是已知给定序列,g是Rp中紧子集A上的未知连续函数,e(j)(xin)是均值为零的AANA随机误差,Y(j)(xin,tin)是可观测随机变量.本文证明了模型中未知参数β和未知函数g估计量βm,n和gm,m的强相合性、r(r>2)阶平均相合性和完全相合性,此结论推广了胡舒合[38]关于φ混合变量的结论.
王燕[3](2020)在《相依误差下若干统计模型中两类估计量的渐近性质》文中指出数理统计是统计分析的基础,由于实际生产的需要,采用数学分析方法建立的统计模型逐渐成为统计学科研究的焦点之一.非参数统计是统计学的一个重要分支,而绝大多数非参数统计方法主要基于统计量的某种渐近性质,故统计量的渐近性质是解决一些统计模型中相关问题的关键.本文主要研究EV回归模型,半参数回归模型和非线性回归模型中未知参数估计量的渐近理论,其中涉及到最小二乘估计量和GM估计量.可以指出的是:当样本量不大时,GM估计量(一种带有积分的估计量)相比PC估计量具有更高的准确性.我们讨论END随机变量序列加权和的完全f-矩收敛性的问题,此结果改进和推广了已有结果,继而得到END随机误差下,EV回归模型中未知参数最小二乘估计量的完全相合性,并给出数值模拟.我们从模型出发,探究φ,混合误差下,半参数回归模型中未知参数最小二乘估计量的矩相合性,展现较弱矩条件下的相合性结果;同时,我们也给出了数值模拟.然后探究在α混合误差下,非线性回归模型中GM估计量的渐近结果,包括矩相合性和渐近正态性,并根据结果给出符合理论条件的数据模拟.本文的结果完善和丰富了相依或混合随机变量序列的概率极限理论与重要统计模型中统计量的渐近理论,具有重要的实际意义.
吴燚[4](2020)在《相依误差下几类统计模型的大样本性质》文中研究指明回归模型在很多实际领域中都有极其重要的应用,至今已有多种重要且实用的模型被提出,但在相依场合下对于这些模型的研究尚未完善.本篇论文主要在相依样本下讨论几类统计模型中估计量的大样本性质.首先,考虑如下多元线性回归模型:#12其中xi=(xi1,…,xid)T,1≤i ≤是设计向量,y1,…,yn是观测值,∈1,∈2,…,∈n是均值为0的随机误差,β=(β1,…,βd)T是待估参数.在合适的条件下,我们建立了m-END误差下未知参数β的最小二乘估计的弱相合性及完全相合性,所得结果补充并推广了胡舒合等[6]以及Yang等[7]的结果.其次,考虑如下非参数回归模型:Yi=g(xni)+∈ni,i=1,...,n,n≥1其中g(x)为定义在Rd上的未知函数,d ≥ 1,xni是已知的d维向量,∈ni是均值为0的随机误差且对每个n≥ 1,(∈n1,∈n2,…,∈nn)和(∈1,∈2,…,∈n)有相同的联合分布.我们在END误差下建立了非参数回归模型中P-C估计的强相合性、完全相合性以及矩相合性,所得结果推广并改进了Priestley与Chao[8]及杨善朝与王岳宝[10]的结果;随后,我们建立了ANA误差下一般加权估计量的渐近正态性与Berry-Esseen界,该结果说明在适当的条件下,ANA误差下一般加权估计量的Berry-Esseen界也可达到Yang[127]关于NA的速度;最后,我们还考虑了m-ANA误差下一般加权估计量的完全相合性.随后,我们考虑部分线性回归模型:#12其中xi和ti是设计点列,β是待估的未知参数,g(·)是定义在区间[0,1]上的未知函数,yi是观测值,Vi是均值为0的随机误差.在误差为由α-混合随机变量产生的线性过程下,我们建立了此部分线性回归模型中估计量的渐近正态性与Berry-Esseen界,此结果推广了Liang与Fan[128]的相应结果.我们还考虑了如下更加宽泛的部分线性回归模型:Y(j)(xin,tin)=tinβ+g(xin)+e(i)(xin),1 ≤j ≤k,1 ≤i ≤n,其中tin∈R,xin∈Rd都是非随机的设计点列,β是未知参数,g(·)为定义在A(A(?)Rd)上未知的连续函数,e(j)(xin)是随机误差,Y(i)(xin,tin)代表在点xin与tin上可观测的第j个响应变量.在m-END误差下,我们建立了此模型中参数的最小二乘估计量和非参数部分的加权估计量的强相合性、完全相合性以及矩相合性等结果,这些结果推广并改进了文献[33]-[37]的结果.接着,我们还研究了如下简单线性EV回归模型:ηi=η+βxi+εi,ξ=xi+δi,1 ≤i≤ n,其中θ,β,x1,x2,…都是未知参数,(ε1,δ1),(ε2,δ2),…为随机向量,ξi,ηi,i=1,2,...是观测值.我们首先在非常宽泛的条件下建立了 WOD随机变量加权和的完全收敛性,此结果只要求控制系数为多项式增长即可,并且矩条件与控制系数没有任何关系;在此结果的基础上,我们进一步得到了WOD误差下EV回归模型中最小二乘估计量的完全相合性的收敛速度的非常一般结果,由此还能在更弱的条件下得到完全相合性.最后,考虑如下异方差的部分线性EV回归模型:yi=ξiβ+g(ti)+εi,xi=ξi+μi,其中εi=σiei,σi2=f(ui),(ξi,ti,ui)是设计点列,(ti,xi,yi)为观测样本,ξi为不可观测的潜在变量,yi为响应变量,xi是可观测的且带有均值为零的测量误差μi,ei是均值为零的误差,β ∈R是未知的斜率参数,f(·)及g(·)都是定义在闭区间[0,1]上的未知函数.在WOD误差下,我们建立了部分线性EV回归模型中最小二乘估计量与加权最小二乘估计量的强相合性及其收敛速度的一般结果.此结果中模型误差及测量误差都可以是WOD的,它们的控制系数也都可以是多项式增长的,并且矩条件仍然与控制系数没有任何关系.本章结果显着地改进和推广了 Zhang与Wang[5的结果.
聂彩玲[5](2019)在《NSD随机序列下非参数估计的相合性》文中认为负超可加相依(NSD)随机序列包含负相协(NA)随机序列,且在实际问题中有很多很重要的应用,如在社会科学、金融、保险、精算等都有应用.本文主要研究NSD样本序列未知密度函数的密度核估计、非参数回归函数估计及最近邻密度估计的相合性,如:弱相合性,强相合性,一致强相合性.本文所得结果是现有文献中独立样本或其它相依样本相关结果的推广.具体研究内容如下:第一章:介绍了未知密度估计的研究背景及方法、NSD随机序列国内外研究现状和相合性的分类,并给出了几个重要的不等式和引理.第二章:运用NSD序列的Bernstein不等式、Rosenthal不等式、性质得到未知密度函数核估计的逐点相合性、一致相合性以及r阶矩相合性.第三章:在随机误差为负超可加阵列的情况下,研究了非参数回归函数估计的问题.在一定的条件下得到了非参数回归函数估计的强相合性,并用R软件做出了估计量的数值模拟图.第四章:由NSD序列的不等式与性质,在适当的条件下得到了NSD样本未知密度函数最近邻密度估计的弱相合性、强相合性及一致强相合性.
邢韵[6](2016)在《END序列下半参数回归模型估计的相合性》文中研究说明研究误差为END序列的半参数回归模型yi=xiβ+g(ti)+σiεi(i=1,2,…,n).应用加权估计与最小二乘估计方法,建立未知参数β和未知函数g的最小二乘估计与加权最小二乘估计的估计量.利用END序列的Rosenthal不等式以及截尾的方法证明p(p>1)阶矩的相合性.
张宇[7](2016)在《AANA误差下线性回归模型M估计的渐近性质》文中研究表明理论研究和实际经验表明线性回归分析中最常用的方法最小二乘法在一些情况下表现不理想.近几十年来统计学家提出了许多替代方法,其中M方法就是最受重视,研究成果最多的一种.M估计是一种非常重要的估计,它包含了最小二乘估计和最小一乘估计这些经典的估计方法.由于随机变量独立性的假设在很多场合下不是很合适的,所以人们常常研究相依随机变量的情形,渐近几乎负相依(简记为AANA)就是一种重要的相依情形.众多的学者研究了线性回归模型的M估计:对于独立误差的情形,文献[5-7]系统地研究了M估计的大样本性质,有些结论非常深入;对于NA误差的情形,文献[8-9]在比较合适的条件下,得到了M估计量的强相合性;其它相依误差的情形参见文献[10-11]等.然而,还未曾见到AANA误差的情形,AANA序列是包含独立序列和NA序列的更为广泛的序列,因此研究AANA样本线性回归模型的M估计的大样本性质是十分有意义和必要的.为此,本文考虑AANA误差的线性回归模型,研究其M估计的渐近性质.本文共分四章,第一章是绪论,主要介绍线性回归模型M估计的研究进展;第二章,研究了误差为AANA随机变量序列线性回归模型M估计的弱相合性,推广了误差为独立、NA随机变量序列等情形的线性回归模型的相应结论;第三章,研究了误差为AANA随机变量序列线性回归模型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;第四章,研究了误差为AANA随机变量序列线性回归模型M估计的渐近正态性,也得到了AANA序列的中心极限定理,推广了误差为独立、NA随机变量序列等情形的线性回归模型的相应结论.
伍丽[8](2014)在《NA样本下半参数EV模型小波估计的渐近性质》文中认为半参数EV模型在经济、生物及林业等领域有着广泛的应用,在很多半参数EV模型问题的研究中,人们常常假定误差是独立(同分布)的随机变量,然而在很多实际应用中误差常常表现出某种相依性,因此研究相依误差的半参数EV模型具有很重要的理论与实际意义.由于负相依(NA)随机变量序列是一种重要的相依序列,它在可靠性理论、概率过程、随机过程及多元统计等领域中有着广泛的应用,而且在大气、地质、海洋生物等领域也有十分重要的应用,因此本论文研究误差为负相依的半参数EV模型.在第二章中,我们用小波光滑的方法给出了NA样本的半参数EV模型中参数、非参数及误差方差的小波估计,并在合适的条件下研究了它们的强相合性.在第三章中,在合适的条件下,得到了参数、非参数及误差方差小波估计量的渐近正态性.以上结论推广了独立误差的半参数EV模型、NA误差的半参数回归模型等模型的相应结论.
彭智庆[9](2014)在《NOD序列下半参数回归模型和非参数回归模型估计相合性的研究》文中提出关于对NOD序列理论的研究,特别是讨论研究一些重要的不等式,在最近几年里得到了充分的发展,例如Rosenthal型不等式,Bernstein不等式,NOD的矩不等式,部分和概率不等式等,这些重要的理论的发展促使NOD序列在统计领域得到了较好的发展。然而在统计领域的一个十分热门话题是对估计量相合性的研究,其在近几十年中也得到了很快的发展,但就NOD这个序列而言,在这个方面的结果还是相对较少的.因此本文将致力于研究NOD序列下半参数回归模型和非参数回归模型估计的相合性问题,获得了较好的结果.本硕士论文分为三章:第一章是序言部分,主要介绍了问题的来源与价值以及半参数回归模型和非参数回归模型及其发展,相关的概念,一些可涉及到的不等式和引理。第二章主要研究了半参数回归模型yi=xiβ+g(ti)+σiεi,i=1,2,…,n,我们在综合了加权估计的方法和最小二乘法下,定义了未知参数β和未知函数g的最小二乘估计与加权最小二乘估计的估计量。采用截尾的方法并且利用NOD序列的矩不等式以及权函数的约束和其他条件证明了p(p>1)阶矩相合性,推广了矩的范围.第三章考虑了非参数回归模型yni=g(xni)+εni,i=1,2,…,n,定义了未知函数9的估计量9n.我们研究了0<p<1和p>1情形下的完全收敛性以及在较弱的条件下证明了它的弱相合性,得到了较好的结果,由于独立序列和NA序列是特殊的NOD序列,所以我们得到的结果推广了非参数回归模型在误差为独立序列和NA情形下相应的结果。
王娟[10](2014)在《基于相依样本固定设计的非参数回归模型研究》文中研究说明非参数回归模型发展于二十世纪七十年代,是非常重要的一个统计模型,模型中的回归函数形式是任意的并且对随机变量的分布限制较少,虽然回归结果外延困难,但拟合效果较好,可以较好的描述样本数据体现出来的非线性特征,因此在实际问题中得到广泛的应用。在非参数回归模型下当误差为独立情型时已经有很多学者研究过,然而,在很多实际问题中模型误差常常是不独立的,出于理论与实际的需要,许多学者相继提出、讨论各种相依混合序列的收敛性质,而NA序列和φ-混合序列是其中比较重要的两种相依序列。本文研究了基于固定设计的非参数回归模型下当误差为NA序列和p-混合序列时估计量的相合性,主要内容如下:第一章介绍了非参数回归模型Yni=g(xni)+εni, i=1,2,…,n的背景知识,以及国内外学者所做的工作,最后给出文章结构安排。第二章详细介绍了非参数回归模型,给出了φ-混合序列定义及φ-混合序列的Rosenthal不等式,Bernstein型不等式及相关假设条件,同时利用不等式证明了非参数回归模型估计量的矩收敛、一致收敛、几乎处处收敛和收敛速度。第三章介绍了NA序列定义及NA序列Rosenthal不等式,Bernstein型不等式,在相应假设条件基础上给出了非参数回归模型估计量的几乎处处收敛的性质。最后对本文的工作进行了总结,并且给出了下一步研究计划。
二、半参数模型误差为NA序列时的r阶矩相合性(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、半参数模型误差为NA序列时的r阶矩相合性(论文提纲范文)
(1)ANA随机变量序列的强收敛性及其在非参、半参模型中的应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 预备知识 |
1.3 常用的不等式及相关引理 |
1.4 本文主要组织结构及框架 |
第二章 ANA序列的完全收敛性和完全矩收敛性 |
2.1 ANA序列的完全收敛性 |
2.2 ANA序列的完全矩收敛性 |
第三章 基于ANA序列的线性过程的完全收敛性 |
3.1 线性过程的概念 |
3.2 主要结果及其证明 |
第四章 ANA误差下非参数回归模型中估计量的渐近性质 |
4.1 模型介绍 |
4.2 主要结果及其证明 |
4.3 数值模拟 |
第五章 ANA误差下半参数回归模型中估计量的渐近性质 |
5.1 模型介绍 |
5.2 主要结果及其证明 |
5.3 数值模拟 |
第六章 结束语 |
参考文献 |
攻读硕士学位期间取得的学术成果 |
致谢 |
(2)AANA随机变量的收敛性质及其应用(论文提纲范文)
摘要 |
Abstract |
符号说明 |
第一章 绪论 |
1.1 研究背景 |
1.2 预备知识 |
1.3 一些重要的不等式及引理 |
第二章 AANA随机变量序列的强收敛性 |
2.1 背景知识 |
2.2 AANA序列加权和的强收敛性质 |
2.3 AANA序列的Marcinkiewicz-Zygmund型强大数定律 |
第三章 AANA随机变量阵列的完全收敛性 |
3.1 背景知识 |
3.2 AANA阵列加权和的完全收敛性 |
第四章 AANA误差下非参数回归模型中估计量的完全相合性 |
4.1 预备知识 |
4.2 主要结论及证明 |
4.3 数值模拟 |
第五章 AANA误差下半参数回归模型中估计量的相合性 |
5.1 模型介绍与假设 |
5.2 主要结论及证明 |
第六章 结束语 |
参考文献 |
致谢 |
读研期间科研情况 |
(3)相依误差下若干统计模型中两类估计量的渐近性质(论文提纲范文)
摘要 |
Abstract |
符号说明 |
第一章 绪论 |
§1.1 研究背景 |
§1.2 相关概念 |
§1.3 模型简介 |
§1.4 本文框架结构 |
第二章 预备知识 |
§2.1 若干收敛性的定义 |
§2.2 相关引理 |
第三章 END序列加权和的完全f-矩收敛性及其在EV模型中的应用 |
§3.1 END序列加权和的完全f-矩收敛性 |
§3.2 应用 |
§3.3 数值模拟 |
§3.4 小结 |
第四章 φ混合误差下半参数回归模型中估计量的矩相合性 |
§4.1 模型假设 |
§4.2 主要结果及其证明 |
§4.3 数值模拟 |
§4.4 小结 |
第五章 α混合误差下非线性回归模型中估计量的矩相合性与渐近正态性 |
§5.1 模型假设 |
§5.2 主要结果及其证明 |
§5.3 数值模拟 |
§5.4 小结 |
第六章 结束语 |
参考文献 |
致谢 |
硕士期间科研情况 |
(4)相依误差下几类统计模型的大样本性质(论文提纲范文)
摘要 |
ABSTRACT |
符号说明 |
第一章 绪论 |
§1.1 研究背景 |
§1.2 本文结构 |
第二章 m-END误差下多元线性模型中估计量的相合性 |
§2.1 m-END随机变量的收敛性 |
§2.2 m-END误差下多元线性模型中估计量的相合性 |
§2.3 数值分析 |
第三章 非参数回归模型中估计量的渐近性质 |
§3.1 模型(1.2)中P-C估计的相合性 |
§3.1.1 假设条件及主要结果 |
§3.1.2 主要结果的证明 |
§3.1.3 P-C估计量的数值分析 |
§3.2 模型(1.3)中加权估计的渐近正态性及逼近速度 |
§3.2.1 假设条件及主要结果 |
§3.2.2 主要结果的证明 |
§3.2.3 加权估计量渐近正态性的数值分析 |
§3.3 模型(1.3)中加权估计的完全相合性 |
§3.3.1 主要结果及数值分析 |
§3.3.2 主要结果的证明 |
第四章 部分线性回归模型中估计量的渐近性质 |
§4.1 部分线性回归模型中估计量的Berry-Esseen界 |
§4.1.1 假设条件及主要结果 |
§4.1.2 主要结果的证明 |
§4.1.3 数值分析 |
§4.2 部分线性回归模型中估计量的相合性 |
§4.2.1 假设条件及主要结果 |
§4.2.2 主要结果的证明 |
§4.2.3 数值分析 |
第五章 WOD误差下EV回归模型中估计量的相合性 |
§5.1 主要结果 |
§5.2 主要结果的证明 |
§5.3 数值分析 |
第六章 WOD误差下异方差部分线性EV回归模型中估计量的相合性 |
§6.1 估计量的构造及主要结果 |
§6.2 主要结果的证明 |
§6.3 数值分析 |
第七章 结束语 |
参考文献 |
致谢 |
攻读博士学位期间学术成果及获奖情况 |
(5)NSD随机序列下非参数估计的相合性(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 选题背景与研究意义 |
1.2 国内外研究现状及分析 |
1.3 预备工作 |
1.3.1 非参数密度估计 |
1.3.2 相合性 |
1.3.3 定义 |
1.3.4 重要的不等式和引理 |
1.4 本文的主要研究成果 |
1.5 主要工作和创新点 |
第2章 NSD样本下密度核估计的相合性 |
2.1 预备知识 |
2.2 引理 |
2.3 密度核估计的逐点相合性、一致相合性及r阶矩相合性 |
2.4 本章总结 |
第3章 NSD样本下非参数回归函数估计的相合性 |
3.1 预备知识 |
3.2 不等式及引理 |
3.3 非参数回归函数估计的强相合性 |
3.4 数值模拟 |
3.5 本章总结 |
第4章 NSD样本最近邻密度估计的相合性 |
4.1 预备知识 |
4.2 最近邻密度估计的强、弱相合性和一致强相合性 |
4.3 本章总结 |
第5章 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(6)END序列下半参数回归模型估计的相合性(论文提纲范文)
0 引言 |
1 引理 |
2 主要结果及证明 |
(7)AANA误差下线性回归模型M估计的渐近性质(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题的背景及其意义 |
1.2 国内外本课题研究现状分析 |
1.3 本文研究的主要内容及创新点 |
第二章 AANA误差下线性回归模型M估计的弱相合性 |
2.1 模型简介及基本概念 |
2.2 M估计的弱相合性 |
第三章 AANA误差下线性回归模型M估计的强相合性 |
3.1 Bernstein型不等式 |
3.2 M估计的强相合性 |
第四章 AANA误差下线性回归模型M估计的渐近正态性 |
4.1 AANA序列的中心极限定理 |
4.2 M估计的渐近正态性 |
致谢 |
参考文献 |
附录 攻读硕士学位期间发表的论文 |
(8)NA样本下半参数EV模型小波估计的渐近性质(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题的背景及其意义 |
1.2 本课题在国内外研究现状 |
1.3 本文研究的主要内容 |
第二章 小波估计量的强相合性 |
2.1 模型简介及估计方法 |
2.2 基本条件及引理 |
2.3 主要结果及其证明 |
第三章 小波估计量的渐近正态性 |
3.1 基本条件及引理 |
3.2 主要结果及其证明 |
第四章 结束语 |
致谢 |
参考文献 |
附录 攻读硕士学位期间发表的论文 |
(9)NOD序列下半参数回归模型和非参数回归模型估计相合性的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 序言 |
§1.1 概述 |
§1.2 相关概念以及NOD序列的发展 |
§1.3 一些重要的不等式和相关引理 |
第二章 NOD序列下半参数回归模型估计的相合性 |
§2.1 预备知识 |
§2.2 重要引理 |
§2.3 主要结论 |
第三章 NOD序列下非参数回归模型估计的相合性 |
§3.1 预备知识 |
§3.2 重要引理 |
§3.3 主要结论 |
参考文献 |
读研期间发表或录用的论文 |
致谢 |
(10)基于相依样本固定设计的非参数回归模型研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 本文结构安排 |
第二章 固定设计的-混合误差下非参数回归模型 |
2.1 引言 |
2.2 基本假设 |
2.3 主要结论 |
2.4 若干引理和定理的证明 |
2.5 本章小结 |
第三章 固定设计的NA误差下非参数回归模型 |
3.1 引言 |
3.2 基本假设 |
3.3 主要结果 |
3.4 若干引理和定理的证明 |
3.5 本章总结 |
第四章 全文总结及下一步研究计划 |
4.1 全文总结 |
4.2 下一步研究计划 |
参考文献 |
攻读硕士学位期间的学术活动及成果情况 |
四、半参数模型误差为NA序列时的r阶矩相合性(论文参考文献)
- [1]ANA随机变量序列的强收敛性及其在非参、半参模型中的应用[D]. 陈壮. 安徽大学, 2020(08)
- [2]AANA随机变量的收敛性质及其应用[D]. 张雅静. 安徽大学, 2020(08)
- [3]相依误差下若干统计模型中两类估计量的渐近性质[D]. 王燕. 安徽大学, 2020(10)
- [4]相依误差下几类统计模型的大样本性质[D]. 吴燚. 安徽大学, 2020(08)
- [5]NSD随机序列下非参数估计的相合性[D]. 聂彩玲. 南昌大学, 2019(02)
- [6]END序列下半参数回归模型估计的相合性[J]. 邢韵. 湖北大学学报(自然科学版), 2016(06)
- [7]AANA误差下线性回归模型M估计的渐近性质[D]. 张宇. 湖北师范大学, 2016(10)
- [8]NA样本下半参数EV模型小波估计的渐近性质[D]. 伍丽. 湖北师范学院, 2014(03)
- [9]NOD序列下半参数回归模型和非参数回归模型估计相合性的研究[D]. 彭智庆. 安徽大学, 2014(08)
- [10]基于相依样本固定设计的非参数回归模型研究[D]. 王娟. 合肥工业大学, 2014(07)