基于熵损失和记录值样本的指数分布模型参数的估计

文章在熵损失函数下,基于记录值样本,得到了指数分布参数的最小风险同变估计、Bayes估计和经验Bayes估计,并给出了数值模拟例子。     

基于对称熵损失和记录值样本的指数分布模型参数的估计

文章在对称熵损失函数下,基于记录值样本,得到了指数分布参数的最小风险同变估计、Bayes估计和经验Bayes估计,并讨论了一类cXU(n)+d形式估计的可容许性和不可容许性,其中XU(n)为第n个上记录值.     

基于记录值样本的指数分布参数的损失与风险函数的Bayes估计

文章基于记录值样本,利用Rukhin提出的一类新的损失函数,将决策误差和统计判别法则结合起来,在共轭先验分布下得到了指数分布参数的损失函数和风险函数的Bayes估计,并给出了相应的Bayes估计为保守估计的条件。     

对称熵损失函数下两参数Lomax分布形状参数的Bayes估计

在对称熵损失函数下,文章讨论了两参数Lomax分布形状参数的Bayes估计,经验Bayes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.     

基于逐步递增的Ⅱ截尾样本的Rayleigh分布参数的Bayes收缩估计

在逐步递增的Ⅱ截尾试验下,文章针对Rayleigh分布参数的估计问题,在平方误差损失函数下得到了未知参数的Bayes估计,同时提出了一种新的估计方法-Bayes收缩估计.数值模拟结果表明提出的Bayes收缩估计较Bayes估计更加稳健.     

加权平衡损失下泊松分布参数的Bayes估计

文章在加权平衡损失函数下,得到了泊松分布参数的Bayes估计和可容许估计,并讨论了一类cX+d形式估计的可容许性和不可容许性.     

Linex损失下Lomax分布形状参数的Bayes估计

文章研究了在Linex损失函数下两参数Lomax分布中尺度参数已知时形状参数的Bayes估计及其容许性、多层Baves估计。     

不同先验下Pareto分布参数的Bayes估计及其容许性

文章讨论了Pareto分布参数θ在不同的先验分布下的Bayes估计,然后讨论了在平方损失下,参数θ的形如(cT(x)+d)-1估计的可容许性.     

Pareto分布参数估计的损失函数和风险函数的Bayes推断

文章在共轭先验分布下,研究pareto分布参数1/θ的损失函数和风险函数的Bayes估计,并对各种Bayes估计的性质进行讨论,最后指出各种Bayes估计的合理性。     

Laplace分布参数估计的损失函数和风险函数的Bayes推断

文章给出了在共轭先验分布下,Laplace分布的参数估计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;并用上证指数收益率数据作了实证分析。     

平方误差和LINEX损失函数下逆Rayleigh分布参数的经验Bayes估计

在平方误差和LINEX损失函数下,导出了逆Rayleigh分布参数的极大似然估计、Bayes估计和经验Bayes估计,并给出了Monte Carlo数值模拟比较结果.     

熵损失函数下两参数广义指数分布形状参数的Bayes估计

在熵损失函数下,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,并讨论了一类(CT+d)-1形式估计的可容许性和不可容许性。     

泊松分布变异系数的贝叶斯估计

文章在熵损失函数下,针对一组泊松样本,用参数估计方法研究了泊松分布变异系数的贝叶斯估计问题,得到了变异系数的贝叶斯估计的一般形式与精确形式,并讨论了它的可容许性。最后在给定置信水平1-α下研究了变异系数的贝叶斯置信区间。模拟结果表明这两种估计都具有较高的精度。     

NA样本下Rayleigh分布参数的经验Bayes检验

文章在线性损失函数下,讨论了NA样本情形下Rayleigh分布参数θ的经验Bayes单侧检验问题:H0:θ≤θ0(<=>)H1:θ>θ0,利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,并获得了它的渐近最优(a.o)性;在适当的条件下证明了所提出的经验Bayes检验函数的收敛速度可任意接近O(n-1/2).     

约束条件下部分变系数模型的参数估计

文章讨论部分变系数模型在线性约束条件r=Rβ下的参数估计问题,给出了参数部分β的相合估计(β)Rls和非参数部分(α)(u)的估计(α)(u),得到了估计的渐近性质.     

一种新寿命分布的参数估计及其应用

Chen(2000)提出了一种新的两参数寿命分布,这个分布有递增或浴盆型失效率函数,并基于Ⅱ型截尾样本给出了分布参数的区间估计.文章对这种两参数寿命分布在一个参数已知时,基于Ⅰ型截尾样本并借助Han(2011)给出的失效概率的E-Bayes估计给出了另一个参数的最小二乘估计和加权最小二乘估计,进而得到了失效率函数和可靠度的估计.最后,结合发动机的实际问题进行了计算,结果表明方法可行且便于工程应用.     

Mlinex损失函数下广义指数分布形状参数的Bayes估计

文章给出了Mlinex损失函数下两参数广义指数分布形状参数的Bayes估计及其容许性,并对该分布的充分统计量的逆线性形式的容许性进行讨论.最后通过蒙特卡洛模拟说明Bayes估计在小样本情形时的优良表现。     

Pareto分布中形状参数的估计问题

本文研究了当a已知时,Pareto分布中形状参数的估计。首先求得了θ的一致最小方差无偏估计(UMVUE),并证明了它在平方损失下是不可容许的。当θ有先验信息时,分别在平方损失和熵损失下讨论了θ的Bayes估计,并说明了其容许性。其次,在熵损失下,讨论了一类形如(cT(x) d)-1(d>0)的估计的容许性。最后,给出了θ的置信下限。     

多元正态分布熵的Stein型和Brester-Zidek型估计

基于一些随机样本,在Linex损失下估计期望及方差阵都未知的多元正态分布的熵。在仅依赖于|S|的估计类中,熵的最优仿射同变估计δ_c*是可容许估计,但在一些范围更大的估计类中,δ_c*是不可容许估计。文章首先用Stein型估计δ_?ST去改进δ_c*,但Stein型估计不是光滑的,然后用具有光滑性的Brester-Zidek型估计去改进δ_c*,进一步研究知Brester-Zidek估计是可容许估计,也是Bayes估计。     

混合样本下双因素误差模型的参数估计

考虑到面板数据的选择性偏误、不响应、样本流失及轮换面板数据的高成本,在实际应用中,根据研究的需要和两种样本各自的特征,有时将两种样本结合使用,从而得到普通面板数据和轮换面板数据的混合样本。文章提出了混合样本下双因素误差面板回归模型的迭代极大似然估计方法,得到了未知参数的迭代公式。使用蒙特卡罗模拟方法分析了面板数据和混合样本下参数估计的平均绝对偏差和均方误差,结果显示：与面板数据下的极大似然估计量相比,混合样本下迭代极大似然估计方法整体上降低了估计量的平均绝对偏差和均方误差,优于面板数据下的极大似然估计量。