φ-混合样本下一类统计泛函的渐近性质-概率论与数理统计专业论文.docxVIP

PAGE PAGE 10 gp ∑ ωnj (θ ) g  = 0.  (1.4) g j =1 1+ λ(θ )ωnj (θ ) 定理 1.2.若假设 A 成立且σ 2 0，则 2l (θ ) → d x(1) , 当 n →∞ . 2 二. 有附加信息下φ ? 混合样本的条件分位数经验似然估计的渐近性质 d设 (X1,Y1 ),...,(X n ,Yn )是来自统计 (X ,Y )∈ R d × R 的强平稳,φ ? 混合随机序 列. x记 F (x) = P(X (1) ≤ x(1),..., X (d ) ≤ x(d ) ), F (y) = P(Y ≤ y X = x), x ∈ Rd , y ∈ R, 其中 x 0X ( j ) 和 x( j ) 分别 X 和 x 是的第 j 个分量.假设 0 q 1, x 0 ∈ Rd , 定义在给定 X = x 0下， 0 Y 的 q 分位数为  ρ (q x ) = inf {F  (y) ≥ q}. 0 x0 假设在给定 X = x0 的条件下，可以获得分布函数的一些附加信息，即存在 r (r ≥ 1) 个已知函数 g1 (y),..., gr (y)满足 E (g (Y ) X = x0 ) = 0  (2.0) 1 r其中 g ( y ) = ( g ( y ),..., g ( y ))′ 是 r ? 维向量. 当我们只知道总体条件分布的部分信息时, 1 r 假设{( X i ,Yi ),1 ≤ i ≤ n} 强平稳,φ ? 混合序列，φ ( j) 1, j ≥ 1, 设 X1 和 ( X1 , X j +1 ) 的密度存在，分别用 f 和 f j 表示，又设 fx ( y ) = ?Fx ( y ) / ?y 存在.我们需要下面的 符号（假设它们都存在）. M ( x) = E {g (Y ) X = x}, M s ( x) = E { g (Y ) s X = x}, μx ( y ) = E {g (Y ) I (Y y ) X = x}, μ0 ( p (q x0 )), V ( x) = E {g (Y ) g′(Y ) X = x},Vj (u, v) = E {g (Y1 ) g′(Yj +1 ) X1 = u, X j +1 = v}, kj1M (k )(u,v) = E{ g(Y ) X k j 1  = u, X  j +1 = v}, j ≥ 1, k = 1, j + 1, ? x ? X ? n iω = K ? 0 i 0 ?g(Y ),i = 1,..., n,? = (nhd )?1 ∑ ω , ? h ? i i =1 i 2 ∞ k kl其中 . 表示 L 或 L 在 Rd 上的模，我们用 l 和 H 分别表示向量 l 和矩阵 2 ∞ k kl k 个分量和第 (k, l ) 个元素. 对某些 r0 ≥ 2 ，设，当 n → ∞ 时, 0 h = hn → 0 ,而且 k(u) = K (u1,...,ud )是某一 Borel 函数，满足 1∫u j1 ...u 1 ∫ R d  1djd K (u ,...,u 1 d  ?)1, ? ) du1...dud = ?  j1 = ... =  jd = 0,  (2.1) d 其中 j1,..., jd 为非负整数. ? 0,1 ≤ j1 + ... + jd ≤ r0 ? 1, 01) 没有附加信息下 ρ (q x )的一般核估计量 0 xF (y)的核估计量定义为 x 0 n  ? x0 ? X i ?  n ? x0 ?X j ? Fn1 (y x0 ) = ∑ i =1 I (Yi ≤ y)K ? ? ? / ∑ h ? K ? j =1 ? ? , (2.2) h ? 0这样， ρ (q x )的一般核估计量定义为（参看刘京军等 [ 25] ） 0 ρx0 ,n  n1= inf {y F n1  0(y x )≥ q}. (2.3) 0 0为了获得 ρ (q x )的渐近分布，我们需要下面的条件 B: 0 （1）、对某些 r0 ≥ 2, f ( x) 和 fx ( y ) 分别在 x0 和 (x0 , ρ (q x0 ))的某领域内有关于 x 的 ∞or0 阶连续编导数.对 j ≥ 1, f j 在 (xo, xo ) 点连续. f (xo ) 0 和 fx ∞ o (ρ (q xo )) 0. （2）、φ (1) 1，φ (n) 非增，且 ∑n=1 φ1/ 2 (n) ∞. （3）、K 满足（2.1）并且有界且有紧支撑. （4） h →