×
Dümbgen，卢茨;Petro Kolesnyk公司;拉尔夫·威尔克。

双凹分布函数。 （英语） Zbl 1356.62062号

J.统计计划。推断 184, 1-17 (2017).
摘要：定性形状约束下分布函数（F）或密度（F=F^prime）的非参数统计是经典参数或完全非参数方法的一个有趣的替代方法。我们通过考虑一个新的形状约束对该区域作出贡献：如果（log F）和（log（1-F）都是凹的，则称（F）是双凹的。许多通常考虑的分布都与此约束兼容。例如，任何具有对数曲线密度的c.d.f.（f\）都是双凹的。但与\（f）的对数凹度相反，\（f）的双长凹度允许多模密度。我们提供各种特性。结果表明，将（F）的任何非参数置信带与新的形状约束相结合都会导致显著的改进，尤其是在尾部。为了明确这一点，我们证明了这些置信带意味着任意矩和（F）的矩生成函数的非平凡置信界。

引用于1审查
引用于6文件

MSC公司：

62G15年 非参数容差和置信区域
6220国集团 非参数推理的渐近性质
62G30型 订单统计；经验分布函数

关键词：

危险;诚实信任区;矩生成函数;力矩;反向危险;形状约束

软件：

对数凝聚体
PDF格式BibTeX公司 XML格式引用
\textit{L.Dümbgen}等人，J.Stat.Plann。推断184，1-17（2017；Zbl 1356.62062）
全文： DOI程序 arXiv公司

参考文献：

[1] 巴格诺利，M。；Bergstrom，T.，对数压缩概率及其应用，经济学。理论，26，445-469（2005）·Zbl 1077.60012号
[2] 巴哈杜尔，R.R。；Savage，L.J.，《非参数问题中某些统计程序的不存在》，《数学年鉴》。统计人员。，27, 1115-1122 (1956) ·兹伯利0073.14302
[3] 库勒，M.L。；Samworth，R.J。；Stewart，M.I.，多维对数曲线密度的最大似然估计（带讨论），J.R.Stat.Soc.Ser。B、 72545-600（2010年）·Zbl 1411.62055号
[4] Dümbgen，L。；Rufibach，K.，对数曲线密度及其分布函数的最大似然估计：基本性质和一致一致性，Bernoulli，15，1，40-68（2009）·Zbl 1200.62030号
[5] Dümbgen，L。；Rufibach，K.，logcondens:与单变量对数压缩密度估计相关的计算，J.Stat.Softw。，39, 6 (2011)
[6] Dümbgen，L。；Samworth，R.J。；Schuhmacher，D.，《对数曲线分布的逼近及其在回归中的应用》，《统计年鉴》。，39, 2, 702-730 (2011) ·Zbl 1216.62023号
[8] 克莱伯，C。；Kotz，S.，（《经济学与精算科学中的统计规模分布》，《经济学和精算科学的统计规模分配》，《概率统计中的威利级数》（2003））·Zbl 1044.62014年
[9] 马萨特，P.，《Dvoretzky-Kiefer-Wolfowitz不等式中的紧常数》，Ann.Probab。，18, 1269-1283 (1990) ·Zbl 0713.62021号
[10] Owen，A.B.，分布函数的非参数似然置信带，J.Amer。统计师。协会，90，430，516-521（1995）·Zbl 0925.62170号
[11] Robertson，T。；Wright，F.T。；Dykstra，R.L.，《顺序限制统计推断》（1988），威利父子公司·Zbl 0645.62028号
[12] Schuhmacher博士。；Hüsler，A。；Dümbgen，L.，Log-concave分布作为近似参数模型，Statist。风险模型。，28, 3, 277-295 (2011) ·Zbl 1245.62060号
[13] 塞雷金，A。；Wellner，J.A.，多元凸变换密度的非参数估计，Ann.Statist。，38, 6, 3751-3781 (2010) ·Zbl 1204.62058号
[14] Shorack，G.R。；Wellner，J.A.，《统计应用的经验过程》（1986年），威利出版社：威利纽约·Zbl 1170.62365号
[15] Walther，G.，《对数压缩分布的推断和建模》，统计。科学。，24, 319-327 (2009) ·兹比尔1329.62192
[16] Woolridge，J.M.，CEOSAL2（计量经济学教学统计数据集）（2000年），波士顿学院经济系
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。