Linex损失下股票投资的贝叶斯预测

在一种新的状态划分方法下,给出了基于Linex损失函数的股票未来价格的多层贝叶斯预测,文中给出了一个实例,将该方法同平方损失下的贝叶斯预测作了对比,说明了该方法的合理性和正确性.     

Stein损失下的统计预测问题

在统计决策理论框架内考虑了Stein损失下的统计预测问题.利用估计问题中对无序限制下参数估计量的改进方法,结合未知分布参数之间的序限制,对通常的最优同变预测量进行了改进,构造了一族改进预测量,从而解决了Stein损失下最优同变预测量的改进问题,并给出了相应的例子.     

一类特殊损失下预测问题的PMC准则

将估计问题中的PMC准则运用到随机变量的预测问题中。在一类特殊损失下证明了中位数无偏预测量为某一给定预测量集合中的Pitman-closest预测量。     

非对称损失下的统计决策理论在经济中的应用

在统计决策理论的框架内研究了随机变量的预测问题。在非对称Linex损失下，对具体的经济问题，给出了最优位置同变和最优位置尺度同变预测量。     

LINEX损失下的最优同变预测问题

从统计决策理论角度考虑了统计预测问题。在非对称LINEX损失下，给出了最优同变预测量并举例进行了说明。     

非对称质量损失函数系数的参数设计

针对望目质量特性的产品,引进了田口玄一的质量损失函数,分析了Artiles-leon 提出的无量纲 '标准化'的多变量质量损失函数.然后从非对称方面对损失函数系数进行拓展,是田口质量损失函数的近一步发展.从而达到更精确地计算质量损失的目的.     

非对称损失下正态均值的同变置信限

从统计判决理论角度研究了非对称损失下正态均值置信限的估计问题。在位置及位置尺度变换群下，给出了总体方差已知或未知时正态均值的最优同变置信限并讨论了相关的问题。     

一种非对称损失下分布函数的最优不变估计

给定来自一未知连续分布函数F的容量为n的子样x1,x2,…,xn,考虑分布函数F的不变估计问题.在非对称损失函数L(F(t),d(t))=b∫(exp{a[d(t)-F(t)]}-a[d(t)-F(t)]-1)dF(t)和单调变换群下得到F的最优不变估计为d(t,X)=∑ni=0ciI(x(i)≤t≤x(i 1)),其中ci=1/aln(∫01ti(1-t)n-idt)/(∫01exp{-at}ti(1-t)n-idt),a≠0,b>0.     

非对称损失下威布尔分布总体的参数设计

田口玄一的参数设计思想只是针对对称的二次损失函数所做,有一定的局限性.讨论了非对称的二次损失函数,定义了损失系数比.说明了在非对称的二次损失函数下,也可以采用田口玄一减小质量损失的思想:先进行稳健性设计减小波动,再进行灵敏度设计减小偏差.并在指标服从威布尔分布的情形下定义了调整参数,给出了参数设计的方法和步骤.指出了调整参数在参数设计中的特殊位置和重要特性,列出了部分最优调整参数的值.     

Linex损失下Poisson分布参数的Bayes估计

记X1,X2,…,Xn为来自Poisson总体容量为n的样本,在Linex损失函数下,给出了Pois-son分布参数θ的Bayes估计并证明其可容许性,同时也得到了该参数的多层Bayes估计的表达式。     

预测问题中的PMC准则

将估计问题中的PMC准则应用到预测问题中.在非对称Lienx损失函数下,证明了中位数无偏预测量是某一给定的预测量集合中的Pitman closest预测量,并给出了具体的实例.     

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。     

序限制下的同变预测

在统计决策理论框架内讨论了非对称损失下未知随机变 量的点预测问题, 将估计理论中改进同变估计量方法引入到统计预测问题. 通过利用分布函 数中未知参数之间的序限制, 对无序限制下的最优同变预测量进行了改进, 在一定条件下, 构造出一族改进预测量, 从而解决了常用同变预测量的改进问题. 通过举例给出了具体问题 的改进预测量.     

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。     

RBF神经网络非对称损失改进及应用

针对应用RBF（Radial Basis Function）神经网络信用评分中存在的第Ⅰ类错误率高的问题,提出了基于Linex损失下RBF神经网络分类方法,并给出了UCI（University of California Irvine）中德国信用评分数据集上的测试结果。实验结果表明,该方法能有效解决传统RBF神经网络信用评分中存在的问题。