￠—混合误差下部分线性模型的履历似然.pdfVIP

矽一混合误差下部分线性模型的经验似然 二00二级概率统计专业数理统计方向研究生 贺星星 导师 王成名教授 摘要 经验似然是Owen(1988)111在完全样本下提出的一种非参数统计推断方法，它有类似 Bootstrap的抽样特性．这一方法与经典的或现代的统计方法比较有很多突出的优点，如： 用经验似然方法构造置信区间具有域保持性，变换不变性，置信域的形状由数据自行决定， 以及Bartlett纠偏性和无需构造轴统计量等诸多优点．正因为如此，这一方法引起了许多统 计学家的兴趣，他们将这一方法应用到多种统计模型，如线性模型，广义线性模型，部分线性 模型，偏度抽样模型，回归函数，分位数估计， M一泛函，密度核估计，有偏样本，讨厌参 数，时间序列，条件分位数和条件密度等．但所有这些都是在样本独立同分布的情形下加以讨 忻(1999)删分别在m一相依、Ot一混台与∞一混台情形下，对经验似然进行了研究，得到了 类似于独立同分布时的结果． 而部分线性模型是Engle．eta1(1986)16j在研究气候条件对电力需求影响这一实际问胚时 提出的．这一统计分支在近年兴起，无论在实际应用上还是理论研究上，它都受到了许多学者 的关注．同其它回归模型问题一样，人们对此课胚理论研究的兴趣主要集中在大样本性质上， 并自八十年代初以来取得了丰硕的研究成果：主要是在多种假设条件下研究卢渐近有效估计的 构造，卢加权最小二乘估计阮的渐近正态性，卢估计协方差函数的渐近性质，卢与口，。(g 的估计)的最优强弱收敛速度等p与g的估计性质．近两年来，我国统计学者在估计的渐近有 效性，M～估计的渐近正态性，参数分量估计渐近分布的Berry—Essen界限及其重对数律 等方面的研究上又得到了一些相当深刻的结果．Shi 验似然进行过讨论，但也是基于样本独立同分布时的情形．本文将此模型推广到固定设计≯一 混合误差情形，并在此情形下讨论回归系数的经验似然比估计及其置信区域． 考虑下面的部分线性模型 Y=z 7卢+9(t)+E (21) 这里(z，t)∈Rp×R，t的支撑集为有界闭集，不妨设为【o，1】，g是定义于[o，1]上的未知函 数，卢∈Rp是一未知待估的回归系数，Y∈R是因变量，E∈R是不可观测的随机误差．本文 l 为强平稳毋一混合实随机误差序列，混合速度咖(n)满足1≥毋(n)l0，∑墨1口§(i)oo且 Eet=0，EE；=盯20，EIEll4=肛4oo，对于i=l，一，竹． 要对部分线性模型应用经验似然方法，首先必须给出随机误差序列的近似值．假定卢己 知，则模型(21)可简化为非参数回归模型Y—z’卢=g(t)+E，从而目可按非参数情形来估 计．在此，我们采用权函数方法来估计非参数部分9，即定义9(·)的估计为 n 讹卢)=∑％。(t)‰一z：卢) i=1 其中{眦。(t)：1≤i≤n)为非负权函数列．令 i。=z；一∑暇u(￡。)q 勘=￡。一∑％。(≈)易 吼=玑一∑％J(￡。)协 讯)=№)一∑w锄(屯)^(勺)i。=％一∑暇u(t。)“J n 1 n 1 巩2i∑“zu： 厶=：∑即： 氐=：∑硒： A。=：∑赫： 五=i。磊 磊=：窭z{ 菇=，臻㈦ K=i∑邑爱 对1曼i曼n．假设岛为模型的真实参数，则残差估计为 n 邑(口0)=们一z：口0一§(t。，口0)=￡。一∑-K。』(t。)勺=蟊一iz阮