响应变量随机缺失的相依函数型单指标模型的k近邻估计

针对具有α混合结构的函数型时间序列数据,当响应变量随机缺失时,利用函数型单指标模型进行统计建模,并采用k近邻方法对模型中未知参数和未知函数进行估计,与经典核方法相比,其数据适用性更强,可以提高估计效率;通过数值模拟和厄尔尼诺海平面温度数据,将k近邻方法和经典核方法进行比较,讨论k近邻方法与经典核方法对未知参数和未知函数的估计效果;从模拟结果可以看到:k近邻方法对未知参数和未知函数的估计精度以及随样本增加的改善效果要优于经典核方法,在真实数据分析中,k近邻对真实数据的精度拟合以及趋势拟合都表现优异;这些结果表明:在响应变量随机缺失的时间序列单指标模型中,采用k近邻方法对未知参数和未知函数进行估计,在精度上要优于经典核方法,同时在真实数据分析中,相比经典核方法,k近邻方法能更好地拟合数据。

随机删失单函数型指标模型条件众数估计的渐近正态性

基于单函数型指标模型,构造了该模型下条件密度和条件众数的估计量,研究了α-混合函数型数据在响应变量随机删失的情况下的条件密度和条件众数估计量的渐近正态分布,用模拟研究说明单函数型指标模型条件众数估计的有效性.

单函数指标非参数回归估计的一致几乎完全收敛

文章研究了单函数指标非参数回归模型的估计问题,利用Kolmogorov熵的方法,基于时间序列函数型数据,在α混合相依序列下,获得了模型中非参数回归函数算子核估计的一致几乎完全收敛及其收敛速度,推广了现有文献中的相关结果。