基于非对称损失函数的参数设计

本文针对望目特性的正态指标,在非对称的二次质量损失函数下,讨论了参数设计的可行性, 证明田口方法的稳健性设计和灵敏度设计依然行之有效.定义了调整参数,求出了使质量损失最小的数值解,并给出了参数设计的具体步骤.     

具有特殊协方差结构的 SURE 模型中参数估计的若干结果

本文讨论具有特殊协方差结构似乎不相关回归方程（SURE）模型中参数的估计问题．除非另有说明,损失函数将取为二次损失和矩阵损失．本文证明了回归系数的线性可估函数的最小二乘估计是极小极大的且在矩阵损失函数下是可容许的;还分别在仿射交换群和平移群下导出了存在回归系数的线性可估函数的一致最小风险同变（UMRE）估计的充要条件,并证明了在仿射交换和二次损失下不存在协方差阵和方差的UMRE估计．     

二次损失下增长曲线模型参数阵的线性Minimax可容许估计

本文在二次损失函数下,给出了增长曲线模型参数阵的线性估计在给定的线性估计类中是Minimax可容许估计的充要条件.     

不忽略一次项损失时望大特性质量损失函数设计

田口先生提出的质量特性损失函数是用二次项来表示的,对于望大特性而言,质量特性实际上不可能达到无穷大。讨论了不能忽略一次项损失时,望大特性质量损失函数应采用二次式表示。研究了二次式损失函数中一次项损失系数和二次项损失系数确定的方法。比较分析了二次式损失函数中一次项损失和二次项损失的大小。本文的研究结果显示,田口先生经典的二次项损失函数是二次式损失函数的一种形式。实际问题也验证了本文的研究成果。     

二次损失下随机回归系数和参数的线性Minimax估计

对带有随机效应的一般线性模型,本文提出了随机回归系数和参数线性组合的Minimax估计问题.在二次损失下,研究了线性估计的极小极大性.关于适当的假设,得到了可估函数的唯一线性Minimax估计.     

二次损失下随机回归系数和参数的线性Minimax估计

对带有随机效应的一般线性模型,本文提出了随机回归系数和参数线性组合的Minimax估计问题. 在二次损失下,研究了线性估计的极小极大性.关于适当的假设,得到了可估函数的唯一线性Mjnimax 估计.     

正态线性模型中随机回归系数和参数的Minimax估计

该文在一般正态随机效应线性模型中研究了随机回归系数和参数的估计问题. 在二次损失下，得到了线性可估函数在一切估计类中的唯一Minimax估计.     

一般Gauss-Markov模型中可估函数的线性Minimax估计

设Y是具有均值Xβ和协方差阵σ2V的n维随机向量,Sβ是线性可估函数,这里X,S和V≥0是已知矩阵,β∈Rp和σ2＞0是未知参数.本文分别在给定的矩阵损失和二次损失下研究了线性估计的Minimax性.在适当的假设下,得到了Sβ的唯一线性Minimax估计(有关唯一性在几乎处处意义下理解).     

增长曲线模型中UMRE估计的存在性

对于设计矩阵不满秩，协方差阵任意或具有均匀结构或序列结构的正态增长曲线模型，本文讨论参数矩阵的一致最小风险同变（UMng）估计的存在性．在仿射变换群GI和转移交换群、二次损失和矩阵损失下本文分别获得存在回归系数矩阵的线性可估函数矩阵的UMRE估计的充要条件，推广了由[21]给出的在设计矩阵满秩下估计回归系数矩阵的结果．本文还首次证明了在群G1和二次损失下不存在协方差阵V和trV的UMRE估计．     

损失函数的选择

本文给出了损失函数的比较准标,对于单个位置参数分布族,得到了关于线性估计类凸损失函数与平方损失函数等价,在独立同分布样本下,给出了凸损失函数下的线性容许估计类。     

The Minimax Estimator of Stochastic Regression Coefficients and Parameters in the Class of All Estimators

In this paper, the authors address the problem of the minimax estimator of linear combinations of stochastic regression coefficients and parameters in the general normal linear model with random effects. Under a quadratic loss function, the minimax property of linear estimators is investigated. In the class of all estimators, the minimax estimator of estimable functions, which is unique with probability 1, is obtained under a multivariate normal distribution.     

平衡损失下有限总体回归系数的线性可容许预测

本文研究了平衡损失函数下正态总体和非正态总体中有限回归系数的可容许预测.利用统计决策理论,获得了非正态总体中齐次线性预测为可容许预测的充分必要条件和在正态总体中齐次线性预测在一切预测类中可容许性的充要条件,推广了二次损失下的若干相关结果.     

Real estate price prediction under asymmetric loss

This paper deals with the problem of how to adjust a predictive mean in a practical situation of prediction where there is asymmetry in the loss function. A standard linear model is considered for predicting the price of real estate using a normal-gamma conjugate prior for the parameters. The prior of a subject real estate agent is elicited but, for comparison, a diffuse prior is also considered. Three loss functions are used: asymmetric linear, asymmetric quadratic and LINEX, and the parameters under each of these postulated forms are elicited. Theoretical developments for prediction under each loss function in the presence of normal errors are presented and useful tables of adjustment factor values given. Predictions of the dependent price variable for two properties with differing characteristics are made under each loss function and the results compared.     

逐步增加Ⅱ型截尾下Pareto分布的Bayes估计

基于逐步增加的Ⅱ型截尾样本,当Pareto分布的尺度参数已知时,分别在平方损失和LINEX损失下讨论了其形状参数和可靠性指标(失效率和可靠度)的Bayes估计,并用Monte-Carlo方法对估计结果的MSE,进行了模拟比较.结果表明了在LINEX损失下的估计结果更有效.     

Bayesian point estimation and prediction

In the Bayesian viewpoint, point estimation and prediction are treated from a decision-making standpoint. If a loss function can be determined which associates a loss with every possible error of estimation or prediction, then the optimal estimator or predictor is that value which minimizes expected loss. In most applications, the loss function is assumed to be linear or quadratic in the error of estimation or prediction, although there are many practical situations in which these simple functions are quite inappropriate. In this paper, we investigate the properties of Bayesian point estimates under other loss functions; both the general case and two special cases (power and exponential loss functions) are considered. For the special cases, we also investigate the sensitivity of Bayesian point estimation and prediction to misspecification in the loss function and discuss the practical implications of the results.