平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下, 讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质. 分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险, 并在不同条件下讨论这两种风险的关系.     

基于记录值的几何分布模型的Bayes可靠性分析

针对来自几何分布的记录值样本,研究可靠度参数的Bayes估计问题.首先给出可靠度的最大似然估计和最小方差无偏估计;在可靠度参数的先验分布为贝塔分布、损失函数为平方误差损失和一类新的加权平方损失函数下,导出了可靠度的Bayes估计;最后通过Monte Carlo数值模拟例子说明论文给出估计的有效性.     

平衡损失下回归系数的最优估计

主要研究一般Gauss-Markov模型中回归系数的最优估计问题.在平衡损失下,考虑回归系数的线性估计在线性无偏估计类中的最小风险性,得到回归系数的最优线性无偏估计,并证明最优线性无偏估计在几乎处处意义下的唯一性.特别地,考虑了一类特殊的估计:b-线性估计;获得了回归系数的最优b-线性无偏估计,结果表明最优线性无偏估计也是回归系数的最优b-线性无偏估计.     

非对称损失函数下逆指数分布参数的Bayes估计

针对逆指数分布的估计问题,在参数的先验分布为无信息Quasi先验分布下,得到了平方误差、LINEX损失和熵损失函数下参数的Bayes估计。最后,通过各估计在平方误差损失函数下的风险函数的比较给出本文的结论。     

平衡损失函数下具有两水平共同效应的信度模型

在保险实务中,组合风险间与个体风险间分别具有一定的相依性,考虑保费的目标估计,采用正交投影的方法,在平衡损失函数下得到了未来保费的非齐次与齐次信度估计,进而给出了结构参数的无偏估计.结果表明,得到的信度估计具有经典信度模型的加权形式.     

一类理想二次损失函数下多参数统计模型的风险估计

Bunke曾讨论了一类多参数控制的线性模型在带正定“加权”矩阵的二次损失函数下，最佳线性无偏估计量的极小极大性。然而，对于相应风险中具有大估计温差的不合理加权，上述损失函数巳不适用。为此，提出了一类更为理想的二次损失函数，并在此损失函数下，对相关风险进行了极小极大估计与比较．结果表明，所提出的二次损失函数是合理的、适用的．     

不同损失函数下偏正态分布的Bayes估计

在二次损失函数和平衡损失函数下, 研究偏正态分布的Bayes估计及估计的优良性, 给出了不同模拟方法的结果, 并比较了不同损失函数下Bayes估计的差异性.     

两个不同损失函数下一类分布族参数的Minimax估计

在对数误差平方损失函数和熵损失函数下,得到了两个不同损失函数下一类分布族参数的Bayes估计和Minimax估计．     

共同均值参数的线性无偏估计的可容许性

在一特殊的共同均值模型和平方损失函数下，得到了共同均值参数β的线性无偏估计Ay1 (I-A)y2分别在线性估计类和齐次线性估计类中为可容许估计的充要条件。     

平衡损失函数下风险相依回归信度模型

首先,给出了平衡损失函数下信度保费估计与二次损失函数下的信度保费估计的关系;然后,给出了在平衡损失函数下具有风险相依的回归信度保费表达式;并讨论了平衡损失函数下,目标估计为特殊情况的回归信度保费和风险等相关;以及具有共同效应时,二种回归信度保费表达式.     

一类统计模型相应风险的极小极大估计

关于风险估计,Bunke曾讨论了一类多参数控制的线性模型在带正定"加权"矩阵的二次损失函数下,最佳线性无偏估计量的极小极大性.然而,对于相应风险中具有大估计误差的不合理加权,上述损失函数已不适用.为此,本文提出了一类更为理想的二次损失函数,并在此损失函数下,对相关风险进行了极小极大估计与比较.讨论结果表明,本文提出的二次损失函数是合理与适用的.     

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.     

Mlinex损失函数下逆伽马分布尺度参数的Bayes估计

在Mlinex损失函数下,本文首次讨论了逆伽马分布尺度参数的Bayes估计及其可容许性,并对该分布的一个充分统计量的逆线性形式的容许性进行了分析,然后使用蒙特卡洛模拟阐明小样本情形下尺度参数的Bayes估计的精度一般优于其最大似然估计和Minimax估计,与一致最小方差无偏估计相当。     

熵和对称损失函数下MINQUE和简单估计的比较(英)

在熵损失和对称损失函数下，研究了多元线性模型协方差矩阵的MINQUE估计和简单估计的比较问题，其中多元线性模型的设计矩阵和离散矩阵可以不满秩.并证明了，在熵损失函数下，MINQUE估计总是优于简单估计.     

一类理想二次损失函数下多参数统计模型的风险估计

Bunke曾讨论了一类多参数控制的线性模型在带正定“加权”矩阵的二次损失函数下 ,最佳线性无偏估计量的极小极大性 .然而 ,对于相应风险中具有大估计误差的不合理加权 ,上述损失函数已不适用 .为此 ,提出了一类更为理想的二次损失函数 ,并在此损失函数下 ,对相关风险进行了极小极大估计与比较 .结果表明 ,所提出的二次损失函数是合理的、适用的     

Bayes线性无偏最小方差估计相对于岭估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于岭估计的优良性,在平衡损失风险函数准则下研究了未知参数的BLUMV估计相对于岭估计的优良性,并导出了在一定条件下BLUMV估计与最小二乘估计趋于一致.     

熵损失下Poisson分布参数倒数的估计

研究在熵损失函数下 ,Poisson分布参数倒数的估计 ,得出在熵损失下 ,[c T( X ) d] -1 形式的一类估计的可容许性和不可容许性 ,并给出可容许估计的充要条件     

基于截尾样本不同损失函数下艾拉姆咖分布参数的Bayes估计

给出了艾拉姆咖分布参数在定数截尾样本下的极大似然估计;在Linex损失、二次损失、平方损失和平衡损失函数下,给出了参数的Bayes估计,并证明了所给估计都是容许的;通过实例,对所给的几个估计的优良性进行了分析.     

Q-对称熵损失函数下的Poisson分布参数倒数的估计

研究在Q-对称熵损失函数下,Poisson分布参数倒数的估计,得出在Q-对称熵损失下,形式的一类估计的可容许性和不可容许性,并给出可容许估计的充要条件.     

不同损失函数下艾拉姆咖分布参数的Bayes估计

首先给出了艾拉姆咖分布在全样本场合下参数的极大似然估计;其次在熵损失、Linex损失、二次损失、平方损失和平衡损失函数下,给出了参数的Bayes估计,并证明了所给估计都是容许的;最后通过实例,对所给的几个估计的优良性进行了分析.