二项分布参数n的线性可容许估计（英）

本文考虑了二项分布B（ｎ，ｐ）当ｐ已知时整值参数ｎ的估计问题，并且得到了一个ｎ的线性估计为可容许估计的充分必要条件．     

线性模型中M估计分布的随机加权方法逼近

在线性模型中,M估计的渐近分布通常都涉及到不易估计的未知误差分布的某些量,如果要估计渐近方差,就需对这些冗余参数进行估计.利用随机加权方法可以避免先对误差分布中的冗余参数进行估计.给出了当自变量是随机变量时,M估计分布的随机加权逼近,证明了M估计分布的随机加权逼近是一致相合的.当取不同的凸函数,样本大小和随机权时,进一步利用蒙特卡洛方法研究估计分布.研究表明随机权取泊松权时,不仅达到同样的效果而且可以减小计算量.     

二项分布参数n的线性可容许估计

本文考虑了二项分布ｂ（ｎ，ｐ）当ｐ已知时整值参数ｎ的估计问题，并且得到了一个ｎ的线性估计为可容许估计的充分必要条件．     

线性模型中M检验原假设分布的随机加权逼近

在线性模型中M-方法可以用于线性假设检验, 其中M检验、Wald检验和Rao的计分型检验是最常用的检验准则. 但是在计算这些检验的临界值时都涉及到未知参数的估计. 在本文中我们利用随机加权的方法来逼近这些检验的原假设分布. 结果表明在原假设和局部对立假设之下随机加权统计量的渐近分布与原检验统计量在原假设之下的渐近分布相同. 因此我们不需要对冗余参数进行估计,利用随机加权的方法就可以得到这些检验的临界值. 而且在局部对立假设之下可以实现对功效的计算. 当取不同的误差分布和不同的随机权时, 我们对本文的方法进行了蒙特卡洛模拟. 结果表明用随机加权方法来逼近原假设分布是非常精确的.     

PC准则下回归系数的一类线性估计的优良性

设线性回归模型为,此处n≥p,X的秩为R(X)=s,00为常数,∑_0为正定阵。本文证明了:在适当条件下(?)于PC准则下优于(?)并将这一结果应用于回归系数的岭估计、广义岭估计、压缩估计和Bayes估计。     

ASYMPTOTICALLY OPTIMAL EMPIRICAL BAYES ESTIMATION FOR THE PARAMETERS OF MULTI－PARAMETER DISCRETE EXPONENTIAL FAMILY

ＡＳＹＭＰＴＯＴＩＣＡＬＬＹＯＰＴＩＭＡＬＥＭＰＩＲＩＣＡＬＢＡＹＥＳＥＳＴＩＭＡＴＩＯＮＦＯＲＴＨＥＰＡＲＡＭＥＴＥＲＳＯＦＭＵＬＴＩ－ＰＡＲＡＭＥＴＥＲＤＩＳＣＲＥＴＥＥＸＰＯＮＥＮＴＩＡＬＦＡＭＩＬＹ（杨亚宁，韦来生）￥ＹａｎｇＹａｎｉｎｇ；Ｗ...     

多参数离散指数族参数渐近最优的经验Bayes估计的收敛速度

本文构造了多参数离散指数族参数的渐近最优的经验Bayes（EB）估计,若记B_n（δ_n,G）为δn的全面Bayes风险,R_G最小Bayes风险,则在某些条件下c_1n~(-1）2成立,其中c_1,c_2为正的常数,