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。     

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.     

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.     

关于二项分布参数经验Bayes估计的收敛速度的一点注记

证明了二项分布参数的两个经验Ｂａｙｅｓ估计的收敛速度的上下界均为Ｏ（ｎ－１）的阶，并指出该收敛速度是最好的．这个结论是对Ｌｉａｎｇ（１９８９）的结果的改进．     

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.     

Kumaraswamy分布族参数的经验Bayes检验收敛速度

在"线性损失"下,研究了Kumaraswamy分布族参数的经验Bayes(EB)检验问题.利用独立同分布样本下密度函数的递归核估计和经验Bayes检验函数的单调性,重新构造了参数的EB检验函数,并在适当的条件下,获得了EB检验函数的收敛速度的阶为O(n~(-λ(s-2.5)/s-1))(s≥3,s∈N~*).     

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.     

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)。     

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.     

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)).     

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))。     

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.     

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．     

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。