加权平方和损失下线性估计的可容许性

1980年,Berger讨论了Γ分布尺度参数的通常估计的容许性向题.本文在此基础上讨论Γ分布尺度参数的线性估计的容许性问题,即 例1 设X_1和X_2相互独立,X_1～Γ(α_1,β_1~(-1)),X_2～Γ(α_2,β_2~(-1))α_1和α_2是已知的正常数,β=(β_1,β_2)′∈R~ ×R~ 是未知的参数.取β的估计为线性估计     

截断参数分布族参数的可容许估计

在平方损失下Karlin[1]讨论了截断参数分布族参数的可容许估计问题．本文讨论了当待估参数为单调函数和多项式函数时的可容许估计问题.文[1]讨论的待估参数，形式上较特殊，有关结果可视为本文结论的一个特例．     

协方差的非齐次估计的可容许性

本文研究协方差的非齐次二次估计的可容许性,在平方损失下,我们给出了一个非齐次二次估计在非齐次二次估计类中是协方差的容许估计的充要条件.     

增长曲线模型中向量函数的线性可容许性

对增长曲线模型中回归矩阵的向量函数的估计,在矩阵损失下,我们得到了线性估计在一切线性估计类中可容许的充要条件。     

线性模型中不可估参数的线性估计的可容许性

对一般线性模型在平方损失函数下，得到了一维不可估参数函数的线性估计为可容许估计的充要条件，以及模型中参数向量（非线性可估）的线性估计为可容许估计的两个充要条件，并得到了多维参数函数（可估或不可估）的线性估计为可容许估计的一个充分条件以及特殊情况下的一个充要条件．     

线性模型中估计的可容许性

本文推广了La Motte有关线性模型中可容许估计的结果,由此解决了一种方式分组随机效应模型中方差分量二次及非负二次估计的可容许问题,并证明了可容许估计类是一最小完备类。     

增长曲线模型回归系数线性估计的可容许性

本文讨论增长曲线模型回归系数线性估计的可容许性，给出了常见的三种形式不同的可容许性定义．我们在较特殊的齐次（或非齐次）线性估计类中，证明了这三种容许性的一致性，并且得到了其共同的可容许估计的充要条件．     

共同均值参数线性无偏估计的可容许性

本文在一特殊的共同均值模型和平方损失函数下,得到了共同均值参数β线性无偏估计Σｉ＝１＾ｍＡｉｙｉ（Σｉ＝１＾ｍＡｉ＝Ｉｎ）分别在线性估计类和齐次线性估计类中为可容许估计的充要条件。     

对称连续分布函数的最优不变估计

该文考虑了未知对称连续分布函数的不变估计问题.连续分布函数在单调变换群下是不变的^[1], 但这个变换群不能保证对称分布函数的不变性.于是, 所要研究的判决问题在单调变换群下不再是不变的. 为了保证判决问题不变性, 考虑一个新的变换群—单调奇变换群, 它确保了所研究的判决问题的不变性.注意到对称分布函数零点的特殊性质, 即, 对任一对称分布函数F, 均有F(0)=1/2,通过视零点为一伪观察值, 得到了所有的非随机化不变估计, 并在不变估计中找到了最优不变估计.     

光滑分布函数分位数估计的注记(英)

文中通过光滑经验分布函数构造了分位数估计，建立该估计的Bahadu－强弱表示定理，并由Bahadur表示定理证明了该分估计估的重对数律和渐近正态性等深刻结果．     

相协样本下密度核估计的联合渐近分布

证明了相协样本下密度函数的核估计在有限个不同点上的联合渐近分布为多维正态分布.     

熵损失函数下两参数Lomax分布形状参数的Bayes估计

在熵损失函数下,讨论了两参数Lomax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.     

左截断右删失数据下光滑分布函数估计效率

研究了左截断右删失数据下光滑分布函数估计,并获得了其渐近性质.在MSE意义下,给出了光滑分布函数估计与经验估计(即乘积限估计)的相对亏量,证明了在一定的条件下,光滑分布估计要优于经验分布估计,并通过模拟说明了光滑分布函数估计比乘积限估计更加有效.     

代数微分方程组允许解的值分布

利用亚纯函数值分布理论和方法,研究了代数微分方程组允许解的值分布问题,得到了一些有趣的结果.     

相依样本下非参数回归函数递推型核估计的渐近分布

设（Ｘｉ，Ｙｉ）１≤ｉ≤ｎ为来自二元总体（Ｘ，Ｙ）的平稳，φ－混合样本，记ｍ（ｘ）△Ｅ（Ｙ│Ｘ＝ｘ），ｍ（ｘ）的一种递推型核估计为ｍｎ（ｘ）＝ｎ∑ｉ＝１ｈｉ＾－１Ｙｉｋ（（ｘ－Ｘｉ）／ｈｉ）／ｎ∑ｊ＝１ｈ＾－１ｊｋ（ｘ－Ｘｊ）／ｈｊ）。本文在一定的条件下证明了（ｎ／（ｎ∑ｊ＝１ｈ＾－１ｊ）＾１／２）（ｍｎ（ｘ１）－ｍ（ｘ１），ｍｎ（ｘ２）－ｍ（ｘ２），．．．ｍｎ（ｘｒ０）－ｍ（ｘｒ０））′依分布收     

向量损失函数下参数估计的容许性

在向量损失函数下，本文研究了在一般线性模型，多元线性模型和增长曲线模型中参数估计在给定估计类及一切类中的可容许性，给出了可容许的充要条件。     

A Note on the Best Invariant Estimator of a Distribution Function Under the Kolmogorov-Smirnov Loss

For the invariant decision problem of estimating a continuous distribution function with the Kolmogorov-Smirnov loss within the class of proper– distribution functions, it is proved that the sample distribution function is the best invariant estimator only for the sample size n = 1 and 2. Further it is shown that the best invariant estimator is minimax. Exact jumps of the best invariant estimator are derived for n 4.     

一类非参数回归函数估计的性质

设Z_(11),z_(12),…,Z_是在固定点(x_i,y_1),1≤≤n_1,1≤j≤n_2,的n_1n_2个观察值,适合模型 Z_(ij)=g(x_i,y_j)+ε_(ij),1≤i≤n_1,1≤j≤n_2。(1) 本文给出了g的一种估计并讨论了估计的性质。