均匀分布的线性近似贝叶斯估计（英文）

本文利用线性贝叶斯方法估计均匀分布R(-θ,θ)的未知参数,提出了θ的线性近似贝叶斯估计(LABE),LABE具有封闭解析解的形式且便于使用.数值模拟表明本文提出的LABE与普通的贝叶斯估计(BE)很接近,其中BE由数值积分得到,我们也使用了所谓的强力算法来获得BE.进一步,我们比较了LABE与Lindley近似.在均方误差准则下,LABE相对于经典估计量的优越性也得到证明.     

关于某些调和函数

用H表示形如f(z)=h(z) g(z)的调和函数族,其中h和g是单位圆盘内的解析函数.本文考虑H的三类子族函数.其中的两族为PH(α)=f∶Ref(z)z≥α和NH(α)=f∶Ref(z)θz≥θα,其中0≤α<1和θ=argz.本文得到了函数f属于其中一族的一个充分必要条件,并且获得了一些系数不等式和偏差定理.     

几何分布时间序贯检验的贝叶斯推断

设有统计模型｛ｘ,Ｂｘ,Ｐθ｝,θ∈（０,１）,其中Ｐθ为几何分布：Ｐθ（Ｘ＝ｋ）＝（１－θ）θ＾ｋ－１ｋ＝１,２,…。考虑检验问题：θ＝θｏ ｖｓ． θ＝θ１（０〈θ０〈θ１〈１）本文对一种依次试验的时间序贯样本,给出了上述检验问题的贝叶斯停止判决法则,其中损失函数为试验费用和误判损失之和,贝叶斯停止判决法则由后验概率的两组界（上界和下界）所给出。     

复杂零假设的边界P值及其应用

本文研究零假设为复杂情况时的P值问题。对于一维正态均值的单边检验H_0:θ≤θ_0,P值是指拒绝域在参数θ=θ_0时的概率。根据这一想法,本文定义了一般情况下的边界P值。当零假设是一个多面体凸锥时,本文给出了一个计算边界P值的方法,并利用这个方法解决了一个实际问题。     

均匀分布族 U(0,θ)中经验 Bayes 检验的渐近特征

关于经验 Bayes 检验的研究,目前在文献上能见到一些结果,其中部分是讨论经验Bayes 检验的渐近最优性及其收敛速度,参见[1—4,6,7,9];最近 stijnen 讨论了连续型单参数指数族中经验 Bayes 检验的条件 Bayes 风险的渐近分布,从而得到了精确的收敛速度.本文我们将讨论均匀分布族{U(0,θ),θ>0)中经验 Bayes 检验的条件 Bayes 风险的极限分布,从而得到了经验 Bayes 检验的渐近最优性及其收敛速度.     

关于Neyman-Pearson基本引理的几个注记

本文探讨了Neyman-Pearson基本引理.通过论证总体参数θ只有θ₀或θ₁两种可能时最优检验功效函数的唯一性,得到了两种假设T₁:θ=θ₀←→θ=θ₁和T₂:θ=θ₁←→θ=θ₀各自对应最优检验的两类错误概率可以互换的结论.     

由分数Brown运动驱动的线性自排斥扩散的最小二乘估计

本文研究如下线性自排斥扩散过程的参数估计问题:X_t~H=B_t~H+θ∫_0~t∫_0~θ(X_B~H-X_u~H)dudθ+vt其中X_O~H=0,B~H是Hurst指数为1/2≤H1的分数Brown运动,且θ0和υ∈R是两个未知参数.该过程为一类自交互扩散过程的类似过程.在连续观测条件下,本文利用最小二乘法给出这两个参数的估计,并且讨论了它们的相合性和渐近分布.     

递归算术公理的简化

本文,我们把递归算术系统简化为下列三个系统:A_0V_2、A_0V_1I_2θ_2及A_0V_1I_2θ_2~*,此处A_0为存在性公理,而V_n、I_n、θ_n、θ_n~*为唯一性规则,其定义如下:A_0是:给了H(x,y),存在一函数F(u,x),使得规则V_n是:此处是指“可推导出”,x为约束变元,它在前件中不能进行代入,I_n是V_n当H是么函数I(I(x)=x)时的特例,θ_n是V_n当H为θ(θ(x)=0)时的特例,θ_n~*又是θ_n当F(u_1,…,u_n,0)=0时的特例。     

第二类分数布朗桥的最小二乘估计

本文主要研究在参数θ>0和Hurst指数H∈(1/2,1)的情形下第二类分数布朗桥的最小二乘估计.使用Malliavin分析方法获得了估计量的一致收敛性和近似分布.     

渐近最优的经验贝叶斯决策

本文获得了刻度指数族变量带误差情形下的贝叶斯决策,且利用解卷积的核方法构造出了经验贝叶斯决策.在适当的条件下,证明了经验贝叶斯决策的渐近最优性.     

双边截断型分布族参数函数的渐近最优经验Bayes估计

本文考虑一维双边截断型分布族参数函数在平方损失下的经验 Bayes估计问题 .给定θ,X的条件分布为f (x|θ) =ω(θ1,θ2 ) h(x) I[θ1,θ2 ] (x) dx其中θ =(θ1,θ2 )T(x) =(t1(x) ,t2 (x) ) =(min(x1,… ,xm) ,max(x1,… ,xm) )是充分统计量 ,其边缘密度为 f (t) ,本文通过 f (t)的核估计构造出θ的函数的经验 Bayes估计 ,并证明在一定的条件下是渐近最优的 (a.0 .)     

Bayesian estimation of the product of two proportions

Suppose that for i = 1,2, a Bernoulli random variable with success probability θ_i is observable from population i. The problem is to estimate θ = θ₁θ₂ using a Bayesian approach with squared error estimation loss in θ. For estimating θ, the best nonrandom sampling scheme, the two-stage sampling scheme, and the optimal sampling scheme are discussed. It is shown that the two-stage sampling scheme is typically asymptotically optimal, and can improve the Bayes risk (over the best nonrandom allocation) up to fifty percent     

On a monotone empirical Bayes test in a positive exponential family

This paper studies a monotone empirical Bayes test δ _n ^* for testing H ₀:θ≤θ ₀ against H ₁:θ>θ ₀ for the positive exponential family f(x|θ)=c(θ)u(x)exp?(?x/θ), x>0, using a weighted quadratic error loss. We investigate the convergence rate of the empirical Bayes test δ _n ^* . It is shown that the regret of δ _n ^* converges to zero at a rate O(n ^?1), where n is the number of past data available when the present testing problem is considered. Errors regarding the rate of convergence claimed in Gupta and Li (J. Stat. Plan. Inference, 129: 3–18, 2005) are addressed.     

Asymptotically optimal empirical bayes procedures for selecting good

Let ∏₁,…,∏_k denote k independent populations, where a random observation from population ∏ _i has a uniform distribution over the interval (0,θ _i ) and θ _i is a realization of a random variable having an unknown prior distribution G _i . Population ∏ _i is said to be a good population if θ _i ≥θ₀, where θ₀ is a given, positive number. This paper provides a sequence of empirical Bayes procedures for selecting the good populationsamong ∏₁,…,∏ _k . It is shown that these procedures are asymptotically optimal and that the order of associated convergence rates is O(n^-r/4) for some r, 0<r<2, where n is the number of accumulated past observations

at hand     

Empirical bayes testing for mean life time of Rayleigh distribution

Consider a Rayleigh distribution withpdfp(x|θ) = 2xθ ^{- 1} exp(- x ²/θ) and mean lifetime μ = √πθ/2. We study the two-action problem of testing the hypothesesH ₀: μ≤ μ₀ againstH ₁: μ > μ₀ using a linear error loss of |μ- μ ₀ | via the empirical Bayes approach. We construct a monotone empirical Bayes test δ _n ^* and study its associated asymptotic optimality. It is shown that the regret of δ _n ^* converges to zero at a rate $\frac{{\ln ^2 n}}{n}$ , wheren is the number of past data available when the present testing problem is considered.     

随机微分方程分步单支theta方法的稳定性(英文)

本文研究随机微分方程单支theta方法的均方稳定性.首先,对线性检验方程,当0≤θ<1时,分步单支theta方法在一定的步长限制下能保持原系统的均方稳定性,当θ=1时,方法按任意步长都能保持原系统的稳定性.其次,对满足单边Lipschitz条件的非线性随机微分方程,当1/2<θ0<θ<1时,方法能保持原系统的均方指数稳定性,但对步长有限制,如果θ=1,对步长限制消失.     

一种对称损失函数下一类指数分布族刻度参数的估计

在p,q对称熵损失函数L(θ,δ)=θp/δp+δq/θq-2(p,q0)下,研究了一类指数分布族c(x,n)θ-ve-T(x)/θ的刻度参数θ的Bayes估计与可容许估计,并应用积分变换定理证明了这两个估计具有不变性.     

加权p,q对称熵损失下一类指数分布模型参数的估计

在由信息论中的熵演绎出的一种新损失一加权P,q对称熵损失L(θ,δ)=θ/Pδp+δq/qθq-2(ρ,q>0)下,研究了一类指数分布模型c(x,η)θ-νe-νe-T(x)/θ的参数θ的Bayes估计的一般形式与精确形式,讨论了参数θ的形如cT(X)+d的一类估计的可容许性与不可容许性,并应用积分变换定理证明了参数θ的Bayes估计与可容许估计具有不变性,     

Monotone empirical Bayes tests for some discrete nonexponential families

This paper deals with the empirical Bayes two-action problem of testingH ₀ : θ ≤ θ_o versusH ₁ : θ > θ_o using a linear error loss for some discrete nonexponential families having probability function either $\begin{gathered} f_1 (x|\theta ) = (x\alpha + 1 - \theta )\theta ^x /\prod\limits_{j = 0}^x {(j\alpha + 1)} \\ or \\ f_1 (x|\theta ) = \left[ {\theta \prod\limits_{j = 0}^{x - 1} {(j\alpha + 1 - \theta )} } \right]/\left[ {\prod\limits_{j = 0}^x {(j\alpha + 1)} } \right] \\ \end{gathered} $ Two empirical Bayes tests δ_n* and δ_n** are constructed. We have shown that both δ_n* and δ_n** are asymptotically optimal, and their regrets converge to zero at an exponential decay rate O(exp( -cn)) for some c > 0, wheren is the number of historical data available when the present decision problem is considered.     

一类广义积分integral from n=0 to ∞(((sin(θ_x))/x)~ndx)的计算

利用三角函数幂公式、L′Hospital法则、分部积分公式,得到含有三角函数的第一类广义积分integral from n=0 to ∞(((sin(θ_x))/x)~ndx)的计算公式,其中n≥1且θ≠0.