对数正态参数估计的损失函数和风险函数的Bayes推断

方差已知时,给出共轭先验分布为正态分布下,对数正态分布的损失函数和风险函数的Bayes估计,得到其Bayes估计为保守估计的条件.     

正态和对数正态分布中参数的损失和风险函数的Bayes推断

给出了共轭先验分布下正态模型中尺度参数和对数正态模型中形状参数的损失函数和风险函数的Bayes估计及其为保守估计的一般条件,说明了该条件的合理性,并利用沪深300中的中国石化和鄂尔多斯股票的周收盘价数据进行实证分析来阐明结论的有效性.     

多维正态分布参数估计的损失函数和风险函数的Bayes估计

在N P（θ,Σ）和方差Σ已知情况下,给出了多维正态分布多维参数均值θ=（θ1,θ2,…,θΡ）估计的损失函数和风险函数的Bayes估计。     

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.     

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。     

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。     

q对称熵损失函数下指数分布的参数估计

提出对称熵损失函数的一般形式(λ/δ)^q+(δ/λ)^q-2(q>0) , 即q对称熵损失. 讨论指数分布的尺度参数在此损失函数下的最小风险同变估计、 Bayes 估计和最小最大估计, 给出了更具一般性的结论, 并研究了(cT+d)^-1形式 估计的可容许性和不可容许性.     

不同损失函数下偏正态分布的Bayes估计

在二次损失函数和平衡损失函数下, 研究偏正态分布的Bayes估计及估计的优良性, 给出了不同模拟方法的结果, 并比较了不同损失函数下Bayes估计的差异性.     

熵损失函数下巴斯卡分布参数的Bayes估计

研究在熵损失函数下 ,巴斯卡分布可靠度的 Bayes估计及其可容许性 ,并且给出 Bayes置信下限以及多层 Bayes估计的表达式     

刻度平方误差损失下Poisson分布参数的Bayes估计

研究对给定容量为n的一个Poisson分布X1,X2,…,Xn,在刻度平方误差损失函数下,Poisson分布参数的Bayes估计及可容许性,给出参数多层Bayes估计的表达式.     

Rayleigh分布参数的贝叶斯经验贝叶斯估计

文章在均方损失函数下研究了Rayleigh分布参数的贝叶斯经验贝叶斯估计问题;在b=1条件下,证明了其贝叶斯经验贝叶斯估计是几乎处处收敛于贝叶斯估计的,并且它是渐近最优的;最后,给出蒙特卡罗随机模拟试验验证了此贝叶斯经验贝叶斯估计的渐近最优性。     

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。     

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。     

单边截断型分布族位置参数的经验Bayes估计

修改了陶波等假定先验密度ｈ（０）需满足的某些条件，给出了单边截断型分布族参数０的经验Ｂａｙｅｓ估计，并证明了它在绝对误差损失下的渐近最优性，最后给出了一个数值计算的实例。