NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,并在适当的条件下获得(EB)估计的速度.     

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)．     

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。     

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.     

NA样本下双指数分布位置参数的经验Bayes估计

在平方损失NA样本下获得了双指数分布参数θ的经验Bayes估计,构造了经验Bayes(EB)估计量,证明了渐近最优且收敛速度阶为O(n-(rs-2)/2(s+2)).     

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)).     

当前样本与历史样本相依的线性经验Bayes估计

讨论了当前样本与历史样本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，得到一致渐近最优速度O(N^-1/2CN^-2)。     

NA样本下一类指数分布族的经验贝叶斯检验

目的讨论负相依样本下一类特殊指数分布族的经验贝叶斯单边检验问题。方法利用概率密度的变窗核估计方法。结果得到了经验贝叶斯检验函数,在适当的条件下获得其收敛速度,并给出了一个满足定理条件的例子。结论该检验函数是渐近最优的。     

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。     

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.     

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.     

指数分布下定数截尾步加试验参数的二次加速因子Bayes估计

文中将指数分布下k个应力水平定数截尾步加试验数据转化为对应的恒加试验数据,然后利用比较成熟的恒加试验的结果,先后给出了在应力水平Si下产品平均寿命的经验分布估计和二次Bayes估计。     

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.     

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.     

经验Bayes估计

本文在 Robbins H.一文的基础上,给出了一个更为一般的经验 Bayes 估计公式,并给出了若干个应用例子.