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.     

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.     

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.     

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.     

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。     

基于记录值样本的Rayleigh分布模型的参数估计

文章在均方误差损失函数下,基于记录值样本得到了Rayleigh分布参数的最小风险同变估计和Bayes估计,并讨论了一类cX2U(n)+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。     

Mlinex损失函数下艾拉姆咖分布的Bayes估计

文章在Mlinex损失函数下讨论了艾拉姆咖分布参数θ的Bayes估计,获得Bayes估计θB,并说明了其可容许性.最后通过数值模拟,说明艾拉姆咖分布在Mlinex损失函数下的Bayes估计的合理性及优越性.     

巴斯卡分布可靠度的估计

文章在P,Q对称损失函数下,讨论巴斯卡分布参数θ的Bayes估计及其容许性,并给出了多层Bayes估计及E-Bayes估计的具体形式和Bayes置信下限。     

寿命产品可靠度的贝叶斯估计

在与信息论中的熵函数有关的一种新的加权对称熵损失函数下,用参数估计方法研究了寿命服从几何分布的产品可靠度的估计问题。得到了可靠度的贝叶斯估计的一般形式与精确形式并讨论了贝叶斯估计的可容许性。最后研究了可靠度的多层贝叶斯估计,数值算例表明研究结果能为实际生产提供稳健性较高的估计形式。     

产品无失效概率的贝叶斯估计

对给定的一组泊松样本,在与信息论中的熵函数有关的一种对称损失函数下,用参数估计方法研究了产品无失效概率的贝叶斯估计与区间估计。在给定先验分布下得到了这两种估计的精确形式,并讨论了贝叶斯估计的可容许性,模拟结果表明文章得到的这两种估计都具有较高的精度。     

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。     

二元Marshall-Olkin型二点分布参数与相关系数的最大似然估计

文章讨论可识最小值样本卞和完全随机样本下二元Marshall-Olkin型二点分布参数及相关系数的最大似然估计,采用先参数识别后参数估计的方式,当已知可识最小值的分布时,证明参数可识别;由此得到了可识最小值样本下的参数的最大似然估计,其中二个参数的估计量是无偏的,另外一个参数的估计量的期望不存在;模拟结果显示:估计值均稳定于真值参数;由于二元二点分布情形时,可识最小值样本等价于完全随机样本,从而导致完全随机样本下的参数的最大似然估计等同于可识最小值样本下的参数的最大似然估计;计算了X与Y之间的相关矩阵和相关系数,由此得到了相关矩阵和相关系数的最大似然估计.     

NA样本情形下双参数指数分布族参数EB估计的渐近性讨论

文章讨论了双参数指数分布的位置参数在LINEX损失函数下的Bayes估计。在NA样本情形下,利用概率密度函数的核估计方法,构造了边缘分布的概率密度估计;按照参数的Bayes估计形式,提出了参数的经验Bayes（EB）估计函数。在一定的条件下可以证明所提出的这个经验Bayes估计函数是渐近最优的,并获得其收敛速度。文章还举例说明满足定理条件的参数的先验分布是存在的。     

双参数指数分布尺度参数的区间估计

基于残缺的样本观测数据,文章讨论了双参数指数分布总体尺度参数的区间估计问题.给出了适用于残缺观测数据的构造置信区间的一种新方法,讨论了枢轴量的精确分布和大样本近似分布,得到了尺度参数的近似置信区间.这个结果还适用于样本中可能存在异常数据的情形,具有稳健性.     

多类型复发事件数据下一类半参数转移模型

复发事件数据频繁的出现在纵向研究中,基于生物医学中的多类型复发事件数据,提出了一类半参数转移模型,该模型包含了一些重要的半参数模型。同时,模型允许协变量具有加性和乘性的影响,且加性影响随时间而变化。利用广义估计方程的思想,对模型中未知参数和非参数函数进行了估计,并且证明了估计的相合性和渐近正态性。     

熵损失函数下Burr(α)X分布参数的贝叶斯估计

文章研究了Burr(α)X分布参数的各类贝叶斯估计问题.在熵损失函数下分别获得了参数的贝叶斯估计、经验贝叶斯估计、多层贝叶斯估计和E-Bayes估计.证明了参数经验贝叶斯估计的渐近最优性,讨论了参数多层贝叶斯估计和E-Bayes估计的稳健性,通过蒙特卡洛方法对各类估计的MSE进行了数值模拟和比较分析,结果表明:经验贝叶斯估计的均方误差最小,精度较高.     

非参数回归估计与人工神经网络方法的预测效果比较

文章研究了非参数回归方法在中石油和浦发银行等六支股票的价格预测中的应用.讨论了核估计、k阶最近邻估计、样条估计和惩罚样条估计4种常用的非参数回归方法,其中,核估计和k阶近邻估计共选取5种不同的权函数.最后,以MAPE为判断指标,将非参数回归方法的预测结果与RBF(多变量插值的径向基函数)人工神经网络方法的预测结果进行了比较.     

定时截尾样本下广义逆指数分布参数的Bayes估计

文章在定时截尾样本下,讨论了广义逆指数分布形状参数、可靠度和危险率的极大似然估计。基于指数先验分布,在熵损失、平方损失和Linex损失函数下分别得到形状参数、可靠度和危险率的Bayes估计,并给出了确定超参数的方法。利用数值模拟计算了估计量的各种估计均值和均方误差，研究结果表明,形状参数在熵损失和Linex损失函数下的估计精度较高;可靠度的Bayes估计整体优于极大似然估计;危险率的Bayes估计在Linex损失函数下的效果较好。