关于一类线性经验Bayes估计及其收敛速度

构造参数θ的一类线性 Bayes估计 ,并给出渐近最优的收敛速度     

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.     

正态分布族的参数的线性经验Bayes估计

对于正态分布族{N(μ,σ~2)|-∞<μ<+∞,σ~2>0},本文利用Robbins,Tao Bo 的思想,分别构造了μ,σ~2,θ=(μ,σ~2)′的线性经验 Bayes估计,我们不但在一定条件下讨论了这些估计的 a.o 收敛速度,而且证明了其 a.s 收敛性.     

线性混合模型中方差分量的经验Bayes估计的收敛速度

在加权平方损失下导出了含有2个方差分量的线性混合模型中方差分量的Bayes估计,利用多元密度函数及其混合偏导数的核估计方法构造了方差分量的经验Bayes（EB）估计,在某些条件下获得了该估计的收敛速度。     

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。     

线性模型回归参数的Bayes线性估计

在 C.R.Rao 工作中曾指出:在线性有偏估计类中一致地改进最小二乘估计是不可能的.本文试图局部地改进最小二乘估计.本文定理1求出了线性模型的 BLE;定理2指出,近年来研究的 Stein 估计、岭估计都是 BLE;定理3表明,存在一个以原点为中心的、椭球,使得在该域内 BLE—致优于通常的最小二乘估计(LS).     

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．     

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)).     

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)。     

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)).     

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.     

矩阵正态分布均值矩阵的可估函数的线性估计在线性估计类中的泛容许性

考虑以下问题 :设n×m随机矩阵Y有分布N(Θn×m ,σ2 (Vn×n Σm×m) ) ,0 <σ2 ≤ 1 ,即Y服从均值向量为Θ协方差矩阵为σ2 (Vn×n Σm×m)的多元正态分布 ,其中 (Θ ,σ2 )为未知参数 .类似覃红讨论均值矩阵Θ的可估函数SΘ的线性估计AY在线性估计类中的泛容许性 .称Y的分布为矩阵正态分布     

混合线性模型效应参数的Bayes影响分析

考虑混合线性模型的影响分析及强影响点的探测问题,利用Ｋｕｌｌｂａｃｋ － Ｌｅｉｂｌｅｒ 距离,分别给出了剔除单个数据点对固定效应和随机效应参数估计精度的影响度量,并通过对一实例的分析,表明该方法的有效性．     

方差分量模型中的Bayes估计

对y-N(Xβ,∑^pi=1σ^2iVi)给出了方差分量在平方损失下的Bayes不变二次（无偏和有偏）估计,对（y,Xβ,∑^pi=1σ^2iVi)给出了均值参数在矩阵损失和平方损失下的Bayes线性（无偏和有偏）估计。     

无偏预测理论在经验贝叶斯分析中的应用

从预测理论角度考虑了参数的经验贝叶斯估计问题。对正态总体下的估计问题进行了详细的讨论。证明了所给出的经验贝叶斯估计量是最优或条件最优无偏预测量。     

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。     

LINEX损失下一类分布族参数渐近最优的EB检验

目的 在LINEX损失函数下，讨论一类双边截断型分布族参数的经验Bayes(EB)检验问题。方法 构造适当的EB判决(检验)函数。结果 在经验Bayes检验问题中，将损失函数推广为LINEX损失，在适当的条件下证明了所构造的判决函数是渐近最优的。结论 LINEX损失函数具有比对称损失更广泛的意义，而且在一定条件下可以获得参数渐近最优的EB检验。