摘要：鉴于传统的神经网络可解释性差且同时概括数据全局趋势和局部变化的能力有限,其不适合直接用于估计部分线性模型的回归函数.针对该问题,本文首先构建了同时具备线性部分和非线性部分的半线性神经网络结构,其次在一些必要条件下证明了基于经验风险最小化的网络估计量的相合性,并设计了基于梯度下降的半线性网络参数估计算法—–局部反向传播算法.随机模拟实验验证了大样本性质,实例分析结果说明了对于此问题在神经网络中引入线性部分的必要性,特别地,实验表明在波士顿房价数据集上该方法估计效果略优于N-W核估计方法.

摘要：文中讨论了部分线性模型 Ｙｉ ＝ Ｘ Ｔｉ Ｕ＋ ｇ （ Ｔｉ） ＋ Ｘｉ，ｉ＝ １，２，…，ｎ 中参数 Ｕ估计的性质，这里ｇ 是未知的 Ｈ氹ｌｄｅｒ 连续函数， Ｘｉ 是随机误差，（ Ｘｉ， Ｔｉ），ｉ＝ １，２，…，ｎ 是已知的设计点。在某些条件下，证明了 Ｕ的最小二乘估计和最大似然估计是 Ｂａｈａｄｕｒ 渐近有效估计。

摘要：考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。

摘要：考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．

摘要：考虑回归模型 :yi=xiβ+g(ti) +σiei,1≤ i≤ n.其中 σ2i=f(ui) ,(xi,ti,ui)是固定非随机设计点列 ,f (· )和 g(· )是未知函数 ,β是待估参数 ,ei 是随机误差 .对文 [1 ]给出的基于 g(· )及 f(· )的一类非参数估计的β的最小二乘估计β^ n和加权最小二乘估计βn,本文通过重抽样的方法构造了 β^n 和 βn 的 Bootstrap统计量 β^ *n 和 β*n .证明了在给定原样本的条件下 ,n (β^ *n -β^ n)和 n (β*n -β^ n)分别与 n (β^ n-β)和 n (βn-β)有相同的渐近分布 .

摘要：考虑回归模型其中是未知函数，（ｘ＿ｉ，ｔ＿ｉ，ｕ＿ｉ）是固定非随机设计点列，β是待估参数，ｅ＿ｉ是随机误差。基于ｇ（·）及ｆ（·）的一类非参数估计（包括常见的核估计和近邻估计），我们构造了β的加权最小二乘估计，并证得了最小二乘估计和加权最小二乘估计的渐近正态性。

摘要：考虑回归模型ｙｉ＝ｘｉβ＋ｇ（ｘｉ）＋σｉｅｉ，１≤ｉ≤ｎ，其中σｉ２＝ｆ（ｕｉ），（ｘｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机干扰．本文基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计βｎ和加权最小二乘估计βｎ，在适当的条件下证明了它们的强相合性．

摘要：考虑回归模型:Y^((j))(x_(in),t_(in))=t_(in)β+g(x_(in))+σ_(in)e^((j))(x_(in)),1≤j≤m,1≤i≤n,其中σ_(in)~2=f(u_(in)),(x_(in),t_(in),u_(in))为固定非随机设计点列,β是未知待估参数,g(·)和f(·)是未知函数,误差{e^((j))(x_(in))}是均值为零的NA变量.给出基于g(·)和f(·)一类非参数估计的β的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的强相合性.

摘要：对于部分线性模型y_i=βx_i+g(t_i)+e_i,1≤i≤n,这里(x_i,t_i)是固定设计点,g是未知函数,e_i是负相协(NA)随机误差,给出了回归系数的经验似然比统计量,并讨论了似然比统计量的极限分布,可构造参数的经验似然置信区间.

摘要：本文中,我们针对误差为m.相依序列的固定设计的部分线性模型,运用经验似然方法和分组经验似然方法,构造了回归参数的对数经验似然比检验统计量,并且证明了分组经验似然比检验统计量在参数取真值时是渐近地服从卡方分布的.模拟计算表明分组经验似然方法的有效性.