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.     

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.     

在熵损失函数下定数截尾情形的参数估计——指数分布情形

本文研究了在熵损失函数下,定数截尾时指数分布的参数估计,得出在熵损失函数下的最小风险同变（ＭＲＥ）估计的精确形式．证明了（ｃＴ＋ｄ）~(－１)形式的一类估计的可容许性和不可容许性．     

熵损失函数下几何分布可靠度的Bayes估计

本文在几何分布的先验分布为幂分布时研究了其在熵损失函数下,可靠度的多层Bayes估计及其容许性,给出了可靠度的多层Bayes估计的计算公式.通过实例验证,在熵损失函数下计算出的几何分布可靠度的多层Bayes估计是稳健的,并进一步表明在熵损失函数下计算出的几何分布可靠度的多层Bayes估计值比其在平方损失函数下算出的结果精度更高.     

复合Linex对称损失下Kumaraswamy分布参数的Bayes估计

当参数的先验分布为伽玛分布时,在复合Linex对称损失函数下得到了Kumaraswamy分布参数θ的唯一的Bayes估计,多层Bayes估计和E-Bayes估计,并通过数值模拟说明了所给参数估计的稳健性和精确性.     

对称熵损失下成功概率p的E-Bayes估计

研究对称熵损失下成功概率p的Bayes估计和E-Bayes估计,证明了前者的存在性及唯一性.模拟结果表明E-Bayes估计优于极大似然估计和Bayes估计.并将E-Bayes方法应用在证券投资预测之中,预测效果较好.     

复合LINEX对称损失下BurrⅫ分布参数的Bayes估计

在复合LINEX对称损失函数下,研究BurrⅫ分布参数的Bayes估计和E-Bayes估计,并通过随机数值模拟检验参数的Bayes估计和E-Bayes估计的合理性及优良性.     

Mlinex损失函数下一类分布族参数的Bayes估计

考虑分布函数形如F(x;θ)=1-[g(x)]~θ或[1—g(x)]~θ,A≤x≤B,θ0的分布族,其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0.在Mlinex损失函数下,给出了其中参数θ的Bayes估计及其容许性,并对分布的一个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.     

复合MLinex对称损失函数下对数伽玛分布参数的Bayes估计

在MLineX损失函数的基础上,定义了复合MLineX对称损失函数,并在该损失函数下得到了对数伽玛分布尺度参数的Balye8估计、E-Bayes估计、多层Balyes估计.最后,通过数值模拟说明了所给参数估计的稳健性和精确性.     

不同损失下Lomax分布形状参数的Bayes估计

本文研究了两参数Lomax分布形状参数的Bayes估计问题.当尺度参数已知时,给出了在几种不同损失函数下形状参数的Bayes估计表达式,并运用随机模拟方法对各个估计进行了比较.     

对称熵损失下的一类指数族刻度参数估计

In this paper we investigate the estimator for the rth power of the scale parameter in a class of exponential family under symmetric entropy loss L（θ, δ） = v（θ/δ ＋ δ/θ - 2）. An exact form of the minimum risk equivariant estimator under symmetric entropy loss is given, and the minimaxity of the minimum risk equivariant estimator is proved. The results with regard to admissibility and inadmissibility of a class of linear estimators of the form cT（X） ＋ d are given, where T（X） Gamma（v, θ）.     

对称熵损失下成功概率P的E—Bayes估计

研究对称熵损失下成功概率P的Bayes估计和E—Bayes估计,证明了前者的存在性及唯一性．模拟结果表明E-Bayes估计优于极大似然估计和Bayes估计．并将E—Bayes方法应用在证券投资预测之中,预测效果较好．     

加权平衡指数损失函数下的广义信度保费估计

在非寿险中,在索赔经历虽然相互独立,但有时会服从不同的分布.通过考虑保费的目标估计来对风险保费进行了研究,并采用正交投影的方法得到了目标问题的最优解,从而得到了加权平衡指数损失函数下的信度估计.此外,给出了结构参数的无偏估计,并给出了模拟.结果表明,在考虑目标保费的情况下,当选取一个合适的权重,可以得到未来保费的最优估计.     

All Admissible Linear Estimators under Quadratic Loss in Multivariate Model

§ 1.Introduction and Notations　In this paper,for any given matrices A and B,A B denotes the Kronecker productof A and B,A is a vector formed by stacking the columns of A under each other,μ(A)is a space generated by the columns of A,and PA=A(A′A) - A′. Fourthmore,if A andB are square matrices,then A>B and A≥ B mean that A-B is a symmetrical positiveand nonnegative matrix,respectively,andλi(A) is the i-th largest eigenvalue of A.　Consider general multivariate linear modelY …     

具有正态逆伽玛先验的正态分布中的方差参数在Stein损失下的贝叶斯后验估计量（英文）

对于先验分布为正态逆伽玛分布的正态分布的方差参数,我们解析地计算了具有共轭的正态逆伽玛先验分布的在Stein损失函数下的贝叶斯后验估计量.这个估计量最小化后验期望Stein损失.我们还解析地计算了在平方误差损失函数下的贝叶斯后验估计量和后验期望Stein损失.数值模拟的结果例证了我们的如下理论研究:后验期望Stein损失不依赖于样本;在平方误差损失函数下的贝叶斯后验估计量和后验期望Stein损失要一致地大于在Stein损失函数下的对应的量.最后,我们计算了上证综指的月度的简单回报的贝叶斯后验估计量和后验期望Stein损失.     

������̬��٤���������̬�ֲ��еķ��������Stein��ʧ�µı�Ҷ˹���������

or the variance parameter of the normal distribution with a normal-inverse-gamma prior, we analytically calculate the Bayes posterior estimator with respect to a conjugate normal-inverse-gamma prior distribution under Stein's loss function. This estimator minimizes the Posterior Expected Stein's Loss (PESL). We also analytically calculate the Bayes posterior estimator and the PESL under the squared error loss function. The numerical simulations exemplify our theoretical studies that the PESLs do not depend on the sample, and that the Bayes posterior estimator and the PESL under the squared error loss function are unanimously larger than those under Stein's loss function. Finally, we calculate the Bayes posterior estimators and the PESLs of the monthly simple returns of the SSE Composite Index.     

广义Pareto分布参数的经验Bayes估计的收敛速度

在加权平方损失函数下,获得广义Pareto分布形状参数的经验Bayes(EB)估计,并得到了该估计的收敛速度.