基于历史样本几何分布可靠度的经验Bayes估计

在几何分布可靠度的先验分布为幂分布时,分别在平方损失函数和熵损失函数的情况下,给出了可靠度的经验Bayes估计,并且证明了θ的Bayes解的唯一性.最后,通过实例验证了几类估计的优良性.     

对称损失下二项分布参数的Bayes估计问题

在对称损失函数下,利用共轭先验分布讨论二项分布参数P的Bayes估计、多层Bayes估计及E-Bayes估计,并证明该参数的Bayes估计是可容许的.最后给出关于Bayes估计、多层Bayes估计及E-Bayes估计的数值模拟,并比较了三者之间的优良性.     

指数分布恒加试验定时截尾试验数据缺失时的Bayes分析

运用Gibbs抽样迭代方法,解决Bayes分析中的后验边际分布的计算问题,得到满足顺序约束的参数的Bayes估计.通过Monte-Carlo模拟表明,在各场合存在先验信息的情况下,Bayes估计的相对偏差和相对均方误差都小于极大似然估计;而对于没有先验信息的情况,Bayes估计跟极大似然估计的效果差不多.     

多元线性模型中回归系数矩阵的可估函数和协方差阵的同时Bayes估计及优良性

本文研究了在设计阵非列满秩情况下多元线性模型的Bayes估计问题.假定回归系数矩阵和协方差阵具有正态-逆Wishart先验分布,运用Bayes理论导出了回归系数矩阵的可估函数和协方差阵的同时Bayes估计.然后在Bayes Mean Square Error(BMSE)准则和Bayes Mean Square Error Matrix(BMSEM)准则下,证明了可估函数和协方差阵的Bayes估计优于广义最小二乘(Generalized Least Square,GLS)估计.另外,在Bayes Pitman Closeness(BPC)准则下研究了可估函数的Bayes估计的优良性.最后,进行了Monte Carlo模拟研究,进一步验证了理论结果.     

正态-逆Gamma先验下线性模型中回归系数和误差方差Bayes估计的改进

在正态 逆Gamma先验下, 研究线性模型中回归系数和误差方差Bayes估计的优良性, 改进了已有的结果, 去掉了附加条件. 在Pitman准则下, 证明回归系数的Bayes估计优于最小二乘估计(LSE), 并讨论误差方差的Bayes估计在均方误差准则下相对于LSE的优良性. 最后进行Monte Carlo模拟研究, 进一步验证了理论结果.     

一类线性模型参数的Bayes估计及其优良性

导出了一类线性模型中参数的Bayes线性无偏估计.在均方误差矩阵准则、predictive Pit mancloseness(PRPC)和posterior Pit man closeness(PPC)准则下分别研究了Bayes线性无偏估计相对于广义最小二乘估计的优良性.     

正态总体误差方差的经验Bayes估计及其优良性

对正态总体误差方差在共轭先验分布和加权平方损失下导出了其Bayes估计,构造了其参数型经验Bayes(PEB)估计,研究了其在均方误差(MSE)准则下相对于一致最小方差无偏估计(UMVUE)的优良性.当先验分布中的超参数完全未知时,通过数值模拟比较了PEB估计和UMVUE的均方误差,获得了PEB估计的优良性.     

截尾寿命试验中的Bayes估计

截尾寿命试验是一种应用很广的试验,用Bayes方法估计这类只有不完全样本的随机变量的均值,是利用先验信息进行估计的方法,而且给出了这种估计的递推公式,在样本增加的情形下,方便了计算.这是一种动态离散数据融合方法,它比常规估计更有效,具有较重要的实用价值.     

多级评分的Bayes估计

对多级评分的测验题型,给出了其Bayes模型,把先验分布从无信息先验推广到了更一般的Dirichlet先验分布情形,求出了参数的Bayes估计,指出了其意义,并在不同样本条件下给出了先验分布超参数的估计.     

Gamma部件参数λ和k的Bayes估计

讨论部件寿命服从Gamma分布,并在形状参数k和尺度参数λ都未知的情况下,分别给出参数k和λ在平方损失函数下的Bayes估计.得到参数k的先验分布为离散分布,λ的先验分布分别为指数Beta和Gamma分布下的Bayes估计公式.     

错误先验假定下多元回归系数Bayes估计的性质

在错误指定的先验假定下研究了多元回归系数估计 (BE) ,并在矩阵损失下对其与最小二乘法估计 (LSE)进行了比较 ,同时讨论了在后验Pitmancloseness准则下BE相对于LSE估计的优良性     

半参数可加模型参数的Bayes估计

研究了半参数可加模型参数的Bayes估计问题.导出了半参数可加模型中参数的Bayes最小风险线性无偏估计,同时研究了其均方误差矩阵准则下优于Profile最小二乘估计的优良性.     

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.     

Nonparametric Regression Combining Linear Structure

Nonparametric models are popular owing to their flexibility in model building and optimality in estimation. However nonparametric models have the curse of dimensionality and do not use any of the prior information. How to sufficiently mine structure information hidden in the data is still a challenging issue in model building. In this paper, we propose a parametric family of estimators which allows for penalizing deviation from linear structure. The new estimator can automatically capture the linear information underlying regressions function to avoid the curse of dimensionality and offers a smooth choice between the full nonparametric models and parametric models. Besides, the new estimator is the linear estimator when the model has linear structure,and it is the local linear estimator when the model has no linear structure. Compared with the complete nonparametric models, our estimator has smaller bias due to using linear structure information of the data. The new estimator is useful in higher dimensions; the usual nonparametric methods have the curse of dimensionality.Based on the projection framework, the theoretical results give the structure of the new estimator and simulation studies demonstrate the advantages of the new approach.     

平衡损失函数下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最优加权最小二乘(OWLS)估计的优良性,并导出在一定条件下二者趋于一致。在PRPC(predictive Pitman closeness criterion)准则下研究了BLUMV估计相对于OWLS估计的优良性。     

基于KULLBACK信息融合方法的系统可靠性评估

在产品具有多源验前信息的情形下,讨论冷贮备系统的可靠性评估问题,运用Kullback信息作为分布之间距离的度量,在Kullback信息的融合准则下对多个先验分布进行融合。并以融合后的先验分布作为产品的最终验前分布,对冷贮备系统的可靠性指标进行Bayes估计。最后进行的计算机随机模拟结果表明,文中所提出的方法合理且便于应用。     

一类刻度指数分布族参数的Bayes估计

在刻度平方损失函数下,研究了一类刻度指数分布族参数的估计,得到了刻度参数的Bayes估计的一般形式,并研究了它的可容许性,最后在两种给定先验分布下得到了刻度参数的正常Bayes估计和广义Bayes估计的精确形式.在此基础上可以对刻度参数进行进一步的统计推断.     

错误先验指定下Bayes估计与广义最小二乘估计的相对效率

讨论了在错误指定的先验假定下一般线性模型中回归系数的Bayes估计,提出了Bayes估计与广义最小二乘估计(generalized least square estimator,GLSE)的一种新的相对效率,证明了该效率的优良性质,同时导出了其上下界。