密度估计的一些结果

设X_1,…,X_n为从具密度f的一维总体中抽出的iid.样本。为估计f,传统的方法是适当选择一串常数C_n↓O,以K_n记X_1,…,X_n落在[X—C-n,x+C_n)中的个数,用(?)(x)=Kn/2nc_n估计f(x)。1965年,Loftsgarden等提出另一     

线性回归模型中误差方差估计的贝里-埃森界限

考虑线性回归模型Y_i=x_i'β e_i, i=1,…,n,…,(1)这里试验点列{x_i}是一串已知的p维向量,β是未知的回归系数向量,{e_i}是一串独立的试验误差,满足条件     

线性模型中最小二乘估计相合性的必要条件

考虑通常的线性模型Y_i=X'_iβ+e_i,i=1,2,…,未知参数向量β为p维的,关于{e_}讨论最多的有下面两种情况:     

二项分布参数的经验Bayes估计Ⅰ—损失函数为(p-d)~2的情况

为方便读者,我们先对经验Bayes 方法(Empirical Bayes Method)作一简略的介绍,并借此引进必要的记号.设变量X 有样本空间(x,(?)),其分布族为{p_0(x)dμ,θ(?)},此处μ为(?)上的一个σ-有限测度,又为简单计,设(?)为(—∞,∞)的一子区间(有限或无限的),设要估计θ,损失函数为L(θ,d)=λ(θ)(θ—d)~2.则如已知θ的先验分布G(给定在由(?)的Borel 子集构成的σ-域(?)上),不难求出在损失函数(1)之下,θ的Bayes 估计为