指数分布族参数的渐近最优与可容许的经验Bayes估计的再探讨

文献[1]在平方损失及超参数α服从伽玛分布且X1′,…Xn′(历史样本)和X(当前样本)独立同分布的条件下,构造了指数分布族{f(x|λ)=λe-λx,λ>0,x>0}的参数λ的渐近最优与可容许的经验Bayes估计.本文在超参数α分别服从伽与分布与指数分布且当前样本由X扩充为X1,…,Xm的情况下,重新构造了指数分布族参数λ的渐进最优与可容许的经验Bayes估计,从而将文献[1]的结果进行了推广.     

指数分布族参数的渐近最优与可容许的经验Bayes估计

在平方损失下 ,构造了指数族 { f(x|λ) =λe-λx,λ >0 ,x >0 }的参数λ的渐近最优与可容许的经验Bayes估计 ,即δn=(n +u + 1n1φ(n) + 1) β1+ βX,其中X1,X2 ,…Xn(历史样本 )和X(当前样本 )独立同分布于 f(x) ,Sn= ni=11n(1+ βXi) ,φ(n) =1n(Sn+ 1n(1+ βX) +v- 1) ,u >0 ,v >0 ,β >0 (已知 )为任意的实数 ,并证明了该估计的收敛速度为O(n- 1)。     

Poisson分布参数的渐近最优和可容许的经验Bayes估计

设Ｘ及（Ｘ１，Ｘ２…，Ｘｎ）分别为取自Ｐｏｉｓｓｏｎ分布Ｐ（θ）的当前样本和历史样本，参数θ的先验分布族Ｆ＝｛Γ（ｍ，β）：β＞０｝，其中ｍ＞０已知，Γ（ｍ，β）表示参数为（ｍ，β）的伽玛分布．对ｐ＞０，ｑ＞２的任意两个实数，记ｔｎ＝Ｘ＋∑ｎｉ＝１Ｘｉ＋ｐＸ＋∑ｎｉ＝１Ｘｉ＋ｐ＋ｑ＋（ｎ＋１）ｍ（Ｘ＋ｍ）则在平方损失函数ｌ（θ，ｄ）＝（θ－ｄ）２下，ｔｎ是θ的渐近最优和可容许的经验Ｂａｙｅｓ估计，而且收敛速度为Ｏ（１ｎ）．     

均值参数矩阵的可容许性估计

本文讨论矩阵正态回归模型从N_(n×m)(X(?),∑V)中均值参数矩阵(?)的可容许估计,给出了一个线性估计在一切估计类中是可容许的充分条件,必要条件或充分必要条件,推广了目前已知的结果     

MANOVA模型中均值参数的极大极小估计和可容许估计

设Y_(n×m)服从矩阵正态分布N(XΘ, σ^2Σ×V),X_(n×k)是一个列满秩的矩阵,n ≥k≥3,σ^2是未知的,σ^(-2)S_p服从自由度为p的χ^2分布。当f(t)是单调非降 可微的函数, 且0≤f(t)≤2(k-2)/m(p+2)时,其列向量为Δ_i(Y)=[I_k- f(V′_iY′(X′Σ^(-1)X)^(-2)YV_iS_p_(-1)S_p (X′Σ^(-1)X)^(-1)/V′_iY′(X′Σ^(-1)X)^(-2)YV_i](X′Σ^(-1)X)^(-1)X′Σ^(-1)Y_i的估计Δ(Y)在风险函数R_1或R_2下是能够改善Θ的极大似然估计(X′Σ^(-1)X)^(-1)X′Σ^(-1)Y.同时得到了Θ和CXΘ的线性可容许估计类.      

多元线性回归模型参数的渐近最优的经验Bayes估计

Empirical Bayes estimation of the parameter vector θ=(β^1,σ^2)‘ in a multiple linear regression model Y=Xβ ε is considered, where β is the vector of regreasion coeffcient, ε-N(0,σ^2I) with σ^2 unknown. In this paper, we construct the EB estimators of θ by using the kernel estimation of multivariate density function and its partial derivatives, Uuder some momeut couditions on prior distribution we obtain their asymptotic optimality.     

线性指数分布参数的渐近最优的经验Bayes估计

本文研究了线性指数分布参数的渐近最优的经验Bayes估计问题.利用概率密度函数的核估计,构造了参数的经验Bayes(EB)估计,获得了所提出的EB估计是渐近最优的.     

多参数离散指数族参数渐近最优的经验Bayes估计的收敛速度

本文构造了多参数离散指数族参数的渐近最优的经验Bayes（EB）估计,若记B_n（δ_n,G）为δn的全面Bayes风险,R_G最小Bayes风险,则在某些条件下c_1n~(-1）2成立,其中c_1,c_2为正的常数,     

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．     

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     

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 .)     

随机效应模型中方差分量渐近最优的经验Bayes估计

本文在加权二次损失下导出了双向分类随机效应模型中方差分量的Bayes估计,并利用多元密度函数及其混合偏导数核估计的方法构造了方差分量的经验Bayes(EB)估计.在适当的条件下证明了EB估计的渐近最优性,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.     

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.     

绝对损失下双边截断型分布族参数的渐近最优经验Bayes估计

本文在绝对损失下构造了双边截断型分布族参数的经验Bayes估计,并在合适的条件下证明了该估计的渐近最优性.最后,给出两个有关本文主要结果的例子.     

线性指数分布参数的经验Bayes检验问题

分别讨论了线性指数分布参数的经验Bayes(EB)单侧和双侧检验问题.利用概率密度函数的核估计分别构造了参数的经验Bayes检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性并获得了它的收敛速度.最后,给出一个有关主要结果的例子.     

Nonparametric Empirical Bayes Estimation of the Matrix Parameter of the Wishart Distribution

We consider independent pairs (X₁, Σ₁), (X₂, Σ₂), …, (X_n, Σ_n), where eachΣ_iis distributed according to some unknown density functiong(Σ) and, givenΣ_i=Σ,X_ihas conditional density functionq(xΣ) of the Wishart type. In each pair the first component is observable but the second is not. After the (n+1)th observationX_n+1is obtained, the objective is to estimateΣ_n+1corresponding toX_n+1. This estimator is called the empirical Bayes (EB) estimator ofΣ. An EB estimator ofΣis constructed without any parametric assumptions ong(Σ). Its posterior mean square risk is examined, and the estimator is demonstrated to be pointwise asymptotically optimal.     

基于纵向数据下连续型单参数指数族参数的经验贝叶斯检验(英文)

本文讨论了在纵向数据下,运用非参数估计方法构造了连续型单参数指数族参数的经验贝叶斯检验函数,证明了所提出的经验贝叶斯检验函数的渐近最优性,并获得了它的收敛速度.     

һ��Coxģ�Ͳ����ľ���Bayes��˫�����

In this paper, the empirical Bayes (EB) two-sided test for parameter of Cox models is investigated under square loss functions. At first by using recursive kernel estimation of probability function the empirical Bayes two-sided test rule is constructed. It proves that the proposed empirical Bayes test rule is asymptotic optimal and convergence rates are obtained under suitable conditions. Finally an example of satisfying theorem conditions is given.     

Empirical Bayes Test for the Parameter of Rayleigh Distribution with Error of Measurement

For the data with error of measurement in historical samples, the empirical Bayes test rule for the parameter of Rayleigh distribution is constructed, and the asymptotically optimal property is obtained. It is shown that the convergence rate of the proposed EB test rule can be arbitrarily close to O（n-1/2） under suitable conditions.