逆高斯分布的参数经验Bayes估计

本文在当参数μ已知时,在平方损失下给出了参数的Bayes估计,进一步利用核密度估计方法构造了参数θ的经验Bayes估计函数,并在一定的条件下,证明了所提出的经验Bayes估计函数的收敛速度.     

双指数分布族参数EB估计的最优性

讨论双指数分布的位置参数在LINEX损失函数下的Bayes估计.在NA样本情形下,利用概率密度函数的核估计方法,构造边缘分布的概率密度估计,按照参数的Bayes估计形式,提出参数的经验Bayes(EB)估计函数,在一定的条件下可以证明所提出的这个经验Bayes估计函数是渐近最优的,并获得其收敛速度,最后举例说明满足定理...     

正态模型单参数经验贝叶斯估计

依据经验贝叶斯估计的思想方法,研究在平方损失函数下,正态模型单参数的经验贝叶斯(EB)估计问题.先将理论贝叶斯估计用的边际分布密度函数及该分布密度函数的一阶导数表示出来,再利用过去样本值和当前值 ,采用密度函数的核估计方法构造相应的函数代替理论贝叶斯估计中的函数,得到参数的经验贝叶斯估计,最后证明了所得到的经验贝叶斯估计是渐近最优的.     

协变量缺失下线性模型中参数的经验似然推断

考虑协变量缺失下线性模型中兴趣参数的经验似然推断,利用逆概率加权的方法构造未知参数的估计函数。在一定条件下,证明了基于本文构造的估计函数的经验对数似然比趋于一个标准的卡方分布,利用这个结果可以构造参数的置信域。最后,通过数值模拟,进一步验证了结论的正确性。     

同分布负相协情形下威布尔分布族参数的经验贝叶斯检验问题

在同分布负相协样本情形下研究了威布尔分布族参数的经验贝叶斯检验.利用密度函数核估计方法构造了参数的经验贝叶斯检验函数,在加权线性损失下获得了该估计的收敛速度,在适当条件下证明了经验贝叶斯检验函数的渐近最优性.     

几何模型中参数的经验贝叶斯估计的渐近性

依据经验Bayes估计的思想方法,研究在平方损失函数下几何分布中参数的经验Bayes(EB)估计问题.研究过程为:在平方损失函数下求得参数的Bayes估计,在相同的损失函数下,利用频率逼近概率这一事实,构造参数的EB估计,最后证明所得到的EB估计是渐近最优的,收敛速度为o(n-(2s-1)/(2s+1)).     

线性指数模型参数的经验贝叶斯估计

根据经验贝叶斯原理,讨论了在平方损失函数下,线性指数模型参数的非参数经验贝叶斯(empirical贝叶斯,EB)估计问题.首先利用密度函数的核估计方法构造边际分布密度函数以及该分布密度函数的一阶导数;然后结合线性指数模型未知参数在相同损失函数之下的贝叶斯估计得到了未知参数的非参数经验贝叶斯估计.最后由C-R不等式以及Jensen不等式证明了所得到的经验贝叶斯估计的渐进最优性质,并获得了其收敛速度(n-(2r-1)/(2r 1)).     

PA样本下刻度指数族参数的渐近最优的EB估计

本文在PA样本下研究刻度指数族参数的渐近最优的经验Bayes估计,在刻度平方误差损失函数下导出参数的Bayes估计,利用核估计的方法构造了参数的EB估计,并且证明这种估计的渐近最优性,最后给出一个例子.     

半函数部分线性模型的经验似然推断

考虑了半函数部分线性回归模型的估计问题.在函数型数据下发展了经验似然方法.构造了参数分量的经验似然比函数,得到提出的经验对数似然比渐近于χ~2分布,可用此结果构造兴趣参数的置信域.同时,也给出了非参数函数的估计,在一定的正则条件下给出了其收敛速度.     

在LINEX损失下指数分布刻度参数EB估计的渐近最优性

在LINEX损失函数下,研究指数分布刻度参数的非参数的经验Bayes(EB)估计问题.在此损失函数下,找出参数的Bayes估计,利用抽到的样本,采用密度函数的核估计方法,构造总体X的边缘密度函数,得到参数的EB估计,指出这种EB估计是渐近最优的,它的收敛速度为0(n-γs(l-2)/(2s+1)l),并且这种EB估计方法可推广到多参数情形,举例说明它的应用.