非对称核密度估计在多维散布及分组数据下的推广.pdf

|IIlIIIIlU 摘要 Y2269128 核密度估计在概率论中用来估计未知的概率密度函数，属于非参数统计方法。经 典的核估计方法采用对称的核函数，具有直观易懂、便于实施的优点，但在估计边 界区域时存在严重的边界效应。为解决经典核估计的边界偏差问题，人们提出了许 多有效的改进方法。陈松蹊等提出的非对称核思想，既解决了边界效应，又方便使 用，因而得到相关领域的广泛关注。非对称核函数的形状随着数据样本点位置的变化 而变化，进而自然调整在各个估计点上的光滑程度，由此构造出来的核估计量不存 在边界偏差，且在积分均方误差准则下达到最佳收敛速度。本文首先在前人的理论 基础上，建立非对称核估计量在f0，+oo)任一紧集上的厶强收敛结果。紧接着， 文章将砌G核估计向多维情形推广。作者通过对边际概率密度使用砌G核估计，结 合Copulas拟合联合密度函数的方法，构造出一种半参估计量。这样构造的估计量既 是边界无偏的，又保持了单变量情形下的收敛速度，相比于同类估计具有明显的优越 性。在同一章节，作者说明估计量的均方误差是渐近趋向于零的，并渐近正态性的证 明。之后文章讨论了分组数据下非对称核估计量的构造方法。构造过程采用迭代的策 略，在选择光滑系数时巧妙嵌入SmoothedBootstrap技术。通过这种方法构造的估计 量继承了非对称核的优点，解决了边界效应问题，又能够很好地处理分组数据，对厚 尾分布的估计效果尤佳。此外，又保持了组间样本数量的比例。文章在最后将所介绍 的核估计方法用于到损失模型的估计，将实验效果与同类估计方法作比。模拟和实例 分析的结果均表明，在应对分组数据估计损失函数时，新方法能够更好地逼近真实分 布。 11 Abstract of anunknown Kernel estimationisadata-driven estimating prob- density approach basedonafinitedata standardkernel estimatoruses abilitydensity sample．The density is and to kernelfunction．Themethod appealingeasyimplement， symmetric intuitively flatten butitsuffersfrom oflocal the to bias，lack adaptivity,andtendency boundary out and ofthetrue kernel estimatorsare peaksvalleys density．Asymmetricdensity pro- withthe toaddressthese ofthesekernelfunctionsvaries shape posed problems．The ofthedata the of