版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、在非參數(shù)回歸中,對函數(shù)的估計已有核估計、局部多項式估計、光滑樣條估計、級數(shù)估計等方法,這些方法在處理一維問題時顯示了強大的處理能力.但是隨著維數(shù)的增加,高維領域所包含的樣本減少,由這些方法得到的估計也越來越不穩(wěn)定,即出現(xiàn)了“維數(shù)禍根”的現(xiàn)象,所以這些方法較難估計一般的多元非參數(shù)回歸函數(shù).為了克服“維數(shù)禍根”,現(xiàn)代統(tǒng)計學家提出了許多回歸模型,其中變系數(shù)模型就是針對處理高維數(shù)據(jù)時遇到的困難,應運而生的一種模型.它既部分的繼承了非參數(shù)回歸模型
2、的穩(wěn)定性的特點,又保留了線性模型的結構簡單、易于估計、容易解釋的特點,因此對它的研究受到人們的極大關注并且被廣泛而深入的應用到生物醫(yī)學,流行病學、環(huán)境科學等領域. 變系數(shù)模型是Hastie和Tibshirani于1993年提出的,但它是一個抽象的模型,在實踐應用中的可行性較差.為了能夠在實踐中應用它,許多學者根據(jù)不同情況對其作了處理. 其中,Zhang和Wang(2005)提出了變系數(shù)部分線性模型,變系數(shù)部分線性模型也是由變系數(shù)
3、模型衍生出來的模型,它是常數(shù)項函數(shù)和系數(shù)函數(shù)具有不同自變量的變系數(shù)模型,是一種在實踐中應用廣泛的變系數(shù)回歸模型.Zhang和Wang(2005)采用局部多項式估計方法對變系數(shù)部分線性模型的常數(shù)項函數(shù)和系數(shù)函數(shù)進行了估計,在樣本獨立同分布的條件下,分別給出了估計的弱相合性和漸近正態(tài)性. 本文則采用變窗寬的局部M-估計,在樣本獨立同分布的條件下,估計了變系數(shù)部分線性模型的常數(shù)項函數(shù)和系數(shù)函數(shù),給出并證明了估計的漸近性質.局部M-估計
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 不同光滑度變系數(shù)部分線性模型的估計.pdf
- 變系數(shù)部分線性模型的參數(shù)估計與統(tǒng)計診斷.pdf
- 隨機缺失條件下變系數(shù)部分線性模型的估計.pdf
- 縱向數(shù)據(jù)下部分線性變系數(shù)模型的光滑估計函數(shù)
- 函數(shù)系數(shù)部分線性模型的小波估計.pdf
- 缺失數(shù)據(jù)下函數(shù)系數(shù)部分線性模型的估計.pdf
- 函數(shù)系數(shù)和部分線性模型中的估計問題.pdf
- 部分線性模型的估計.pdf
- 缺失數(shù)據(jù)下帶約束條件的部分線性變系數(shù)EV模型估計.pdf
- 部分線性回歸模型的估計.pdf
- 廣義線性模型的M-估計.pdf
- 半變系數(shù)模型的M-估計與誤差相關下的隨機約束估計.pdf
- 空間變系數(shù)模型的局部線性BGWR估計及其應用.pdf
- 28911.缺失數(shù)據(jù)下帶約束條件的部分線性變系數(shù)ev模型的估計
- 部分線性模型的小波估計.pdf
- 比例變系數(shù)線性模型的估計.pdf
- 半?yún)?shù)變系數(shù)部分線性測量誤差模型的變量選擇.pdf
- 響應變量有缺失時變系數(shù)部分線性模型的統(tǒng)計推斷.pdf
- 固定效應下部分線性變系數(shù)面板模型的協(xié)方差矩陣檢驗
- 46556.函數(shù)系數(shù)部分線性模型的變量選擇
評論
0/150
提交評論