连续型多参数指数族参数的经验Bayes估计的收敛速度

<正> §1.引言 关于单参数经验Bayes(EB)估计问题在文献中已讨论比较多了,但多参数的EB估计问题涉及较少.最近陶波在[1]中讨论了正态分布N(μ,σ~2)之参数θ=(μ,σ~2)的EB估计的渐近最优(a.o.)性.关于单参数指数族的EB估计问题,R.S.Singh,P.E.Lin及陈希孺在[2]、[3]和[4]中分别作了研究.本人最近在[5]中讨论了连续型多参数     

生长曲线模型中参数的Bayes线性无偏估计

本文在平方损失下导出了生长曲线模型中参数的Bayes线性无偏估计(LUE), 并在均方误差矩阵(MSEM)准则下研究了Bayes LUE相对于广义最小二乘估计(GLSE)的优良性. 对于非满秩情形,获得了可估函数的Bayes LUE并讨论了其优良性问题.     

NA样本概率密度函数核估计的相合性

设{X     

随机效应模型中方差分量的经验Bayes检验问题

给出了双向分类随机效应模型中方差分量的Bayes检验的判决函数，利用核估计的方法，构造了相应的经验Bayes(EB)检验的判决函数．在适当的条件下证明了EB判决函数是渐近最优的且有收敛速度．给出了模型的特例和推广．最后，举出一个满足定理条件的例子．     

连续型单参指数族参数的经验Bayes检验问题:NA样本情形

本文对连续型单参指数族单边和双边假设检验问题导出了Bayes检验函数 ,利用同分布NA样本构造了经验Bayes(EB)检验函数 ,在适当条件下证明了EB检验函数的渐近最优性并获得了其收敛速度 ,文末给出一个满足定理条件的例子     

错误先验假定下Bayes线性无偏估计的稳健性

本文基于错误的先验假定获得了一般线性模型下可估函数的Bayes线性无偏估计(BLUE), 证明了在均方误差矩阵(MSEM)准则和后验Pitman Closeness (PPC)准则下BLUE相对于最小二乘估计(LSE)的优良性, 并导出了它们的相对效率的界, 从而获得BLUE的稳健性.     

一类离散型单参数指数族参数的双侧的经验Bayes检验问题

一类一维离散型单参数指数族参数的单侧的经验Bayes(EB)检验问题已有研究,但关于这类分布族的双边的EB检验问题尚无结果,本文研究这一问题,本文构造了参数的EB检验的判决函数,并且获得了它的渐近最优性和收敛速度。在文末给出定理说明了在一些情形下,加上适当的条件,精确的收敛速度可以达到n~(-1)。     

连续型多参数指数族参数的渐近最优的经验Bayes估计

§1 引言关于单参数经验 Bayes(EB)估计问题,目前讨论已经比较多了,但多参数的 EB 估计问题讨论的较少.最近陶波在[1]中讨论了正态分布 N(μ,σ~2)之参数θ=(μ,σ~2)的两参数 EB估计的渐近最优(a.o.)性.关于指数族的 a.o.EB 估计问题,陈希孺在[2]中讨论了一维离散型单参数指数族参数的 EB 估计的 a.o.性.本文考虑连续型多参数指数族参数的 EB 估     

方差分析模型中参数的经验Bayes估计及其优良性问题

本文考虑单向分类的方差分析模型，构造了Ｐ′α的线性Ｂａｙｅｓ估计和经验Ｂａｙｅｓ（ＥＢ）估计，此处αａ×１是效应参数向量，Ｐａ×ｋ是常数矩阵．在较一般的条件下，基于均方误差矩阵准则和ＰｉｔｍａｎＣｌｏｓｅｎｅｓｓ准则，我们分别证明了ＥＢ估计优于最小二乘估计     

The Asymptotically Optimal Empirical Bayes Estimation about a Class of Uniform Distribution

In this note, we propose a squared error loss empirical Bayes estimator of θ based on past experiences and a present observation X which has conditional distribution. U(θ, cθ+b), where b is an arbitary constant when c>1; b>c when c=1, θ∈Ω=(-b/c-1,∞). When unkown prior G(θ) of θ belongs to the family {G:integral from Ω (θ~2dG(θ)<∞)}, our estimator is asymptotically optimal (see [1]). Let K(x) and k(x) be marginal distribution and density of r. v. X. It is easily seen that