熵损失下随机截尾情形指数分布参数的Bayes估计

为解决指数分布在熵损失函数和随机截尾数据下的参数估计问题,采用理论分析和随机模拟试验的方法,推导了参数在任意先验分布下的Bayes估计和伽玛共轭先验分布下具体的Bayes估计和多层Bayes估计,利用Monte Carlo方法对估计进行了计算,随机模拟试验对MLE、Bayes估计和多层Bayes估计进行了对比分析.研究结果表明,熵损失函数下的估计具有较高精度,多层Bayes估计稳健性较好.研究结论丰富了指数分布的Bayes统计分析,研究方法有助于熵损失函数下其它寿命分布的参数估计.     

熵损失函数下幂函数分布和瑞利分布参数的Bayes估计

【目的】研究熵损失函数下幂函数分布和瑞利分布参数的Bayes估计并对它的可容许性进行验证。【方法】以幂函数分布及瑞利分布为基础,以熵损失函数为主要的损失函数通过参数估计的方法和性质进行证明和研究。【结果】证明得到任意分布在熵损失函数下参数的Bayes估计、先验分布为伽马分布熵损失函数下两个分布参数的Bayes估计,得到参数可容许性。【结论】得到参数的Bayes估计,同时得到两个分布的参数在熵损失函数下的Bayes估计是可容许的。     

Linex损失下二项分布参数的Bayes估计

在Linex损失函数下讨论了二项分布参数的Bayes估计,当先验分布取Beta分布和幂分布时分别给出了参数的Bayes估计,多层Bayes估计,E-Bayes估计的精确形式,并证明了Bayes估计的可容许性.     

序约束下两样本总体参数的Bayes估计

讨论序约束下两样本总体参数的Bayes估计,给出了先验分布的选取方法,并讨论了总体分布分别为Γ分布、Poisson分布、二项分布时参数的Bayes估计．     

复合Mlinex对称损失下k阶Erlang分布参数的Bayes估计

在Mlinex损失函数基础上定义了复合Mlinex对称损失函数;在复合Mlinex对称损失函数下,利用Bayes估计的方法研究了k阶Erlang分布参数的Bayes估计、E-Bayes估计及多层Bayes估计,并证明了其容许性;最后通过MATLAB模拟检验了参数的3种Bayes估计的合理性和优良性。     

熵损失下失效率的E-Bayes估计及其性质

失效率的多层Bayes估计需要用到复杂的积分,计算比较困难.本文提出了一种新的估计方法——E-Bayes估计法.它是在Bayes估计的基础上,先给出超参数的先验分布,进而对失效率进行估计.文章分别给出了在特定超参数先验分布的条件下,失效率的E-Bayes估计和多层Bayes估计的计算公式.结果表明,失效率的E-Bayes估计避免了多层Bayes估计复杂的积分计算,形式上更加简洁,便于计算.并通过实例证明,对于同一组实验数据,失效率的E-Bayes估计和多层Bayes估计的数值计算结果十分接近.这说明,失效率的E-Bayes估计不仅具有多层Bayes估计的稳健性,而且具有多层Bayes估计的精确性,从而表明本文提出的失效率的E-Bayes估计法是可行的,且相比于失效率的多层Bayes估计更加简洁,更便于应用.     

熵损失下失效率的E-Bayes估计及其性质

失效率的多层Bayes估计需要用到复杂的积分,计算比较困难。本文提出了一种新的估计方法——E-Bayes估计法。它是在Bayes估计的基础上,先给出超参数的先验分布,进而对失效率进行估计。文章分别给出了在特定超参数先验分布的条件下,失效率的E-Bayes估计和多层Bayes估计的计算公式。结果表明,失效率的E-Bayes估计避免了多层Bayes估计复杂的积分计算,形式上更加简洁,便于计算。并通过实例证明,对于同一组实验数据,失效率的E-Bayes估计和多层Bayes估计的数值计算结果十分接近。这说明,失效率的E-Bayes估计不仅具有多层Bayes估计的稳健性,而且具有多层Bayes估计的精确性,从而表明本文提出的失效率的E-Bayes估计法是可行的,且相比于失效率的多层Bayes估计更加简洁,更便于应用。     

基于记录值的GE分布参数的Bayes和经验Bayes估计

针对来自广义指数(GE)分布的记录值样本,研究了广义指数分布的参数的估计问题。首先给出了参数的最大似然估计;在参数的共轭先验分布为贝塔先验分布,损失函数为平方误差损失和LINEX损失函数情形下,导出了广义指数分布参数的Bayes和经验Bayes估计。最后进行了Monte Carlo数值模拟,对本文提出的几种参数估计进行比较,发现在合适的先验分布条件下Bayes和经验Bayes估计值更加接近参数真实值,因此在适当的先验分布下Bayes估计和经验Bayes估计较传统的最大似然估计好。     

基于记录值的GE分布参数的Bayes和经验Bayes估计

针对来自广义指数（GE）分布的记录值样本,研究了广义指数分布的参数的估计问题。首先给出了参数的最大似然估计;在参数的共轭先验分布为贝塔先验分布,损失函数为平方误差损失和LINEX损失函数情形下,导出了广义指数分布参数的Bayes和经验Bayes估计。最后进行了Monte Carlo数值模拟,对本文提出的几种参数估计进行比较,发现在合适的先验分布条件下Bayes和经验Bayes估计值更加接近参数真实值,因此在适当的先验分布下Bayes估计和经验Bayes估计较传统的最大似然估计好。
     

Q对称熵损失下两参数Lomax分布形状参数的Bayes估计

利用Bayes估计的方法对Lmoax分布的形状参数在Q对称熵损失函数下进行估计,并给出了其多层Bayes估计的形式.     

NGINAR(1)模型的Bayes估计及预测

先利用Bayes方法研究NGINAR(1)模型的参数估计问题, 再利用条件分布预测方法进行模型预测. 模拟结果表明, Bayes估计效果优于条件最小二乘估计和Yule Walker估计, 且条件分布预测方法比条件期望预测方法更适用于整数值序列.     

对称损失下二项分布参数的Bayes估计问题

在对称损失函数下,利用共轭先验分布讨论二项分布参数P的Bayes估计、多层Bayes估计及E-Bayes估计,并证明该参数的Bayes估计是可容许的.最后给出关于Bayes估计、多层Bayes估计及E-Bayes估计的数值模拟,并比较了三者之间的优良性.     

NGINAR(1)模型的Bayes估计及预测

先利用Bayes方法研究NGINAR(1)模型的参数估计问题, 再利用条件分布预测方法进行模型预测. 模拟结果表明, Bayes估计效果优于条件最小二乘估计和Yule Walker估计, 且条件分布预测方法比条件期望预测方法更适用于整数值序列.     

加权p,q对称熵损失下Lomax分布形状参数的Bayes估计与性质

在加权p,q对称熵损失函数下,讨论了Lomax分布形状参数的Bayes估计及其性质,在任意先验分布下得到了参数的Bayes估计的一般形式;在两种确定先验分布下得到了参数的Bayes估计的精确形式,证明了所得Bayes估计具有可容许性;利用Matlab进行数据模拟,验证了所得估计的合理性.     

加权p，q对称熵损失下Poisson分布变异系数的Bayes估计

为更全面研究Poisson分布的估计问题,在加权p,q对称熵损失函数下,讨论了Poisson分布变异系数的Bayes估计,并给出了Bayes估计的置信区间和多层Bayes估计,得到了其具体形式。     

基于记录值的GE分布参数的Bayes和经验Bayes估计

针对来自广义指数(GE)分布的记录值样本,研究了广义指数分布的参数的估计问题.首先给出了参数的最大似然估计;在参数的共轭先验分布为贝塔先验分布,损失函数为平方误差损失和LINEX损失函数情形下,导出了广义指数分布参数的Bayes和经验Bayes估计.最后进行了Monte Carlo数值模拟,对本文提出的几种参数估计进行比较,发现在合适的先验分布条件下Bayes和经验Bayes估计值更加接近参数真实值,因此在适当的先验分布下Bayes估计和经验Bayes 估计较传统的最大似然估计好.     

Mlinex损失函数下Lomax分布的几种Bayes估计

本文针对两参数Lomax分布Bayes估计问题进行了研究.主要运用Bayes定理和减函数,得到了在Mlinex损失函数下,两参数Lomax分布中尺度参数已知时形状参数的多层Bayes估计和E-Bayes估计,并对几种Bayes估计的结果进行了比较.从定理结果来看,Bayes估计在应用上更为方便.     

指数分布恒加试验定时截尾试验数据缺失时的Bayes分析

运用Gibbs抽样迭代方法,解决Bayes分析中的后验边际分布的计算问题,得到满足顺序约束的参数的Bayes估计.通过Monte-Carlo模拟表明,在各场合存在先验信息的情况下,Bayes估计的相对偏差和相对均方误差都小于极大似然估计;而对于没有先验信息的情况,Bayes估计跟极大似然估计的效果差不多.     

不同损失下随机截尾BurrXII分布的Bayes统计分析

基于随机截尾试验,研究了BurrXII分布的参数Bayes估计问题.在MLINEX损失和复合MLINEX对称损失函数下,得到该分布未知参数θ的Bayes估计及区间估计,并且运用Monte-Carlo随机模拟方法进行模拟及比较.     

负二项分布可靠度的E-Bayes估计

对负二项分布,给出在熵损失函数下当可靠度的先验分布为Beta分布和幂分布时可靠度的Bayes估计、E-Bayes估计及多层Bayes估计,并针对先验分布为幂分布的情形设计了相应的数值实验.实验结果表明,相对于负二项分布可靠度的多层Bayes估计,其E-Bayes估计的计算更简单,且稳健性也更好.