对称熵损失函数下两参数广义指数分布形状参数的Bayes估计

在对称熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并给出了一类逆线性形式(cT+d)-1估计的可容许性和不可容许性的条件.     

一种对称损失函数下反向帕累托分布形状参数的估计

使用加权p,q对称损失函数研究了反向帕累托分布的形状参数在刻度参数给定条件下Bayes估计的形式与性质.得到了形状参数的Bayes估计的一般形式以及在给定共轭先验下的精确形式,证明了所得Bayes估计具有可容许性以及最小最大性.最后通过模拟研究了所得估计的返真性,结果表明,基于适当的p,q对称损失函数得出Bayes估计返真性较高.     

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.     

复合Linex损失函数下Gamma分布的尺度参数的Bayes估计

在复合Linex对称损失函数下,当Gamma分布Γ（θ,α）的尺度参数θ（形状参数α已知）的先验分布π（θ）服从Gamma 分布Γ（λ,β）时,得到了尺度参数θ的唯一的Bayes估计δB.同时,对尺度参数θ的Bayes估计δB讨论了其可容许性.其结果是：当c=0,d＊＜d＜∞时,估计量δB是可容许估计.     

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.     

Linex损失下逆高斯分布参数倒数的Bayes估计

本文在Linex损失函数下,研究逆高斯分布参数倒数的Bayes估计,并且讨论了多层Bayes估计并证明该参数的Bayes估计是可容许的.     

对称损失下一类指数分布族的Bayes估计

在对称损失函数下,研究了一类指数分布族尺度参数的估计,并研究了它的的可容许性.得到了尺度参数的Bayes估计的一般形式,在共轭先验分布下得到了尺度参数的Bayes估计的精确形式.在此基础上,讨论了一类形式如cT＋d估计量的可容许性和不可容许性. 更多还原     

q -对称熵损失函数下Pareto分布参数估计

Pareto分布作为一种收入分布有着很重要的现实意义,其形状参数的大小直接影响收入分布的均衡程度,因此在经济中有着广泛的应用价值.主要研究了q-对称熵损失函数下Pareto分布形状参数的最小风险同变估计和Bayes估计.通过证明得到,在适当的Γ-先验分布下,α的Bayes估计都具有统一的形式[cT＋d]-1.并且,针对c和d的各种不同取值情况,讨论了[cT＋d]-1的可容许性和不可容许性,给出了q-对称熵损失函数下参数的最小最大估计.     

熵损失函数下一类广义分布族参数估计的容许性

在熵损失函数下,研究了一类分布族参数的Bayes估计和可容许估计,并讨论了一类(cT+d)-1形式估计的可容许性和不可容许性.     

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)).     

一类刻度指数分布族参数的Bayes估计

在刻度平方损失函数下,研究了一类刻度指数分布族参数的估计,得到了刻度参数的Bayes估计的一般形式,并研究了它的可容许性,最后在两种给定先验分布下得到了刻度参数的正常Bayes估计和广义Bayes估计的精确形式.在此基础上可以对刻度参数进行进一步的统计推断.     

几何模型中参数的经验贝叶斯估计的渐近性

依据经验Bayes估计的思想方法,研究在平方损失函数下几何分布中参数的经验Bayes(EB)估计问题.研究过程为:在平方损失函数下求得参数的Bayes估计,在相同的损失函数下,利用频率逼近概率这一事实,构造参数的EB估计,最后证明所得到的EB估计是渐近最优的,收敛速度为o(n-(2s-1)/(2s+1)).     

INAR(1)模型参数的Bayes估计

利用Bayes方法研究INAR(1)模型的参数估计, 给出了模型参数的Bayes估计因子, 并通过数值模拟将Bayes估计与Yule Walker估计、 条件最小二乘估计、 条件极大似然估计进行比较. 结果表明, Bayes估计方法在一定情形下优于其他方法.     

刻度指数族参数的渐近最优的经验Bayes估计

对刻度指数族在加权平方损失下获得了刻度参数的Bayes估计，并构造了相应的经验Bayes估计，证明了该估计是渐近最优的。     

Linex损失函数下正态总体位置参数的估计

首先研究正态分布位置参数在Linex损失函数L(μ,)δ=ea(μ-δ)-a(μ-δ)-1下的最小风险同变估计及其Bayes估计,并给出在该损失函数下位置参数最小风险平移同变估计的精确表达式和Bayes估计的可容许性证明,最后讨论形如cT(x)+d的可容许性.     

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.     

Mlinex损失函数下指数分布尺度参数的Bayes估计

在Mlinex损失函数下,求出了指数分布的尺度参数的唯一Bayes估计量,并对Bayes估计δB的容许性和形如d[c＋T（x）]的估计量的容许性进行讨论。其主要结果是：在Mlinex损失函数下,指数分布的尺度参数的唯一Bayes估计是δB=[Г（α＋β）/Г（α＋β-c）]^1/c（λ＋∑i=1^mxi,而且可容许的;形如dEc＋T（z）]的估计量当C〉0,d’〈d〈∞以及当c〉0,d。一d时是可容许的。     

对称熵损失下指数分布的参数估计

研究指数分布的刻度参数在对称熵损失下的最小风险同变估计及Bayes估计,并讨论（cT＋d）－1形式估计的可容许性与不可容许性．     

一种加权对称损失函数下一类指数分布模型参数的估计

对刻度参数指数分布模型c(x,n)θ-v e-T(x)/θ提出了一种新的损失函数——加权p,q对称熵损失函数L(θ,δ)=θp/pδp +δq/qθq -2(p,q＞O,q＜v),并用它研究了刻度参数θ的估计.得到了参数θ的最小风险同变估计与Bayes估计的一般形式与精确形式,这两种估计形式比已有文献中相应形式更为简捷...