指数模型单参数的线性贝叶斯估计

（X,λ）是二维随机向量,X1,X2,…,Xa为来自指数总体i．i．d样本,它们的条件分布X｜λ～E（h）,在参数入的先验分布未知的情况下,根据入的期望和方差所具有的性质,证明了参数入与样本X1,X2,…,Xa存在一定程度的线性关系,利用这一特性和入的充分统计量,导出入在平方损失函数下的贝叶斯估计,并进一步讨论了其渐近性。     

指数模型单参数的线性贝叶斯估计

(χ,λ)是二维随机向量,X1,X2,…,X为来自指数总体i.i.d样本,它们的条件分布χIλ～E(λ),在参数λ的先验分布未知的情况下,根据λ的期望和方差所具有的性质,证明了参数λ与样本X1,X2,…,X存在一定程度的线性关系,利用这一特性和λ的充分统计量,导出λ在平方损失函数下的贝叶斯估计,并进一步讨论了其渐近性.     

Rayleigh分布参数的贝叶斯经验贝叶斯估计

文章在均方损失函数下研究了Rayleigh分布参数的贝叶斯经验贝叶斯估计问题;在b=1条件下,证明了其贝叶斯经验贝叶斯估计是几乎处处收敛于贝叶斯估计的,并且它是渐近最优的;最后,给出蒙特卡罗随机模拟试验验证了此贝叶斯经验贝叶斯估计的渐近最优性。     

线性指数分布参数的经验贝叶斯估计

对线性指数分布在平方损失下获得了参数的贝叶斯估计,并构造了相应的经验贝叶斯估计,证明了所提出的经验贝叶斯估计是渐近最优的且有收敛速度O（n^-q）,其中q=（s-1）（λs-1）／[s（2s＋1）],1／2〈λ〈1—1／（2s）,s≥2是一给定的整数．     

线性模型中经验Bayes估计的收敛速度

考虑了线性模型Ｙ＝θ＋ε中参数θ的经验Ｂａｙｅｓ估计问题，在对ε的密度函数的连续可微性给以较一般限制的条件下，构造了θ的渐近最优经验Ｂａｙｅｓ估计并且给出了这个估计的收敛速度。     

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.     

连续型单参数指数族的经验贝叶斯检验

讨论了连续型单参数指数族的经验贝叶斯检验问题.在假定先验分布G(θ)非退化及边缘分布fG(x)m次可导的条件下,通过考虑检验函数的单调性,利用核估计方法构造了经验贝叶斯检验函数并通过泰勒定理证明其收敛速度的阶为O(n-(m-1)/(m 3)).m越大收敛速度越快,当m=∞时,收敛速度的阶近似为O(n-1).通过比较发现,这种方法是有效的.     

关于线性贝叶斯估计

设（Ｘ，）是二维随机向量，参数有未知的先验分布Ｇ，如何利用样本Ｘ１，Ｘ２，……，Ｘｎ来估计是一个很有意义的问题，文章在已知Ｇ的一阶和二阶矩条件下给出了的线性贝叶斯估计，并讨论了其大样本性质。     

相依样本时的线性经验贝叶斯估计

讨论了m相依样本时单参数总体中参数θ的线性经验贝叶斯估计，得到一致渐近最优收敛速度O(N^-1CN^-2)．     

刻度指数族参数的渐近最优的经验Bayes估计

对刻度指数族在加权平方损失下获得了刻度参数的Bayes估计，并构造了相应的经验Bayes估计，证明了该估计是渐近最优的。     

多元线性回归模型中的经验Bayes检验

本文研究了线性模型中参数的经验Bayes检验的渐近最优性及其收敛速度问题。假设模型为Y=Xβ ε,基中ε～N(0,σ~2I),σ~2未知。通过利用X,Y和n个相互独立的历史样本,我们构造了θ=(β~1,σ~2)′的经验Bayes检验,并证明了该检验与最优的Bayes检验相比是渐近最优的,而且其收敛速度可以任意接近O(n~(-1/2))。     

二项分布的几种经验Bayes估计方法

讨论了4种二项分布的经验贝叶斯估计,并通过实例比较了这4种方法的优缺点.其中参数化方法缺点是要注意先验分布的选择;最小熵方法的缺点是只能采用数值解法;线性经验贝叶斯方法的优点是不需求出先验分布,结果简明,便于应用,缺点是需要估计局限于样本x的线性函数;条件期望法的优点是不必考虑先验分布的类型、参数等,只需要有充分多的“经验”样本.     

关于参数矩阵的线性经验Bayes估计

设X为p×q随机矩阵,θ为p×q参数矩阵,且θ有先验分布G(Vec(θ)),给定θ,X有条件密度f(Vec(X)｜Vec(θ)).选取矩阵损失L(D(X),θ)=(D(X)-θ)′(D(X)-θ),并在风险矩阵的迹的大小比较标准下讨论θ的线性经验tr Bayes估计及其渐近性质.获得经验tr Bayes估计D tr(X)= X+U(X- X),及具有o(N-1δ-2N)的渐近收敛速度.     

NA样本下双边截断型分布族参数的EB估计

目的在NA样本下研究双边截断型分布族参数的经验Bayes(EB)估计。方法对密度函数采用核估计的方法构造了参数的EB估计。结果在加权平方损失函数下,获得了该估计的收敛速度。结论在适当的条件下,NA样本双边截断型分布族参数的EB估计的收敛速度任意接近O(n-1/2)。     

一类指数分布参数的渐近最优和可容许的经验Bayes估计

在平方损失下,给出了指数族:f(x|β)=T′(x)βexp{-T(x)β}的参数β的渐近最优与可容许的EBi=1log(1 估计,即:nδ(x1,x2,…,xn)=φ(x1,x2,…,xn)(q T(x))n u,其中φ(x,x1,x2,…,xn)=log(1 T(x)q) Sn(x1,x2,…,xn)-v-1,x1,x2,…,xn(历史样本)和x(当前样本)独立同分布于f(x),Sn(x1,x2,…,xn)=n∑T(xi)q),u>0,v>0,q>0(已知)为任意的实数,并给出了证明。     

两两NQD序列下线性指数分布参数的经验Bayes双边检验

讨论两两NQD序列下线性指数分布参数的经验Bayes(EB)双边检验问题.利用概率密度函数的核估计方法,构造参数的EB检验函数,在适当的条件下证明EB检验函数是渐近最优的,并获得它的收敛速度.举出一个满足定理条件的例子.     

NA样本情形线性指数分布参数的经验Bayes估计

利用同分布负相协(NA)样本构造密度函数及其导数的核估计,得到线性指数分布参数的经验Bayes(EB)估计,并给出EB估计在适当条件下的收敛速度.