一类单边截断型分布族参数的经验Bayes检验

讨论一类单边截断型分布族位置参数的经验Ｂａｙｅｓ检验问题，文中构造了经验Ｂａｙｅｓ判决函数，证明了它具有渐近最优的性质，并且获得了收敛速度。     

一维双边截断型分布族中参数函数的经验Bayes估计及其收敛速度

对一维双边截断型分布族构造了参数函数的经验 Ｂａｙｅｓ 估计,在适当的条件下给出了相应的收敛速度,并说明此收敛速度可充分接近 １２ ．     

Linex损失下二维单边截断型分布族参数的经验Bayes估计

在linex损失函数下,讨论边二维单边截断型分布族参数的经验Bayes(EB)估计问题,文中构造了参数的EB估计,在适当的条件下给出了该估计的收敛速度。并说明在较强条件下收敛速度可充分接近1。     

绝对值损失下单边截断型分布族参数的经验Bayes估计

本文在绝对值损失下,构造了单边截断型分布族参数的EB估计,并证明了在一组条件下,其Bayes风险的收敛速度为0((ln n/n)~(λγ/(2r+))·M_n),其中0<λ,γ≤1,M_n≤ln ln n(n充分大),M_n为一无穷大量。     

双边截断型分布族参数的经验Bayes估计

在Linex损失函数下,讨论一类双边截断型分布族参数的经验Bayes（EB）估计问题,构造了参数的EB估计,在适当的条件下给出了该估计的收敛速度,最后给出例子,说明定理条件的合理性。     

NA样本下截断型分布族参数的经验Bayes估计

运用NA样本密度函数核估计构造了一类截断型分布族参数的经验Bayes估计，建立了它的收敛速度，证明了在适当条件下该收敛速度可以任意接近于1，文中还给出了适合定理条件的例子。     

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 .)     

截断型分布族参数经验Bayes检验的收敛速度

§ 1.　Introduction　　SupposethatrandomvariableXhaspdf(forLebesguemeasure)f(x｜θ) =u(x)m(θ)I(θ ,b) (x) ,(1 )whereθ>a≥ 0 ,θisthetruncationparameterofourinterestandb≤+∞ ,u(x)ispositiveLebesgueintegrablefunctionon (θ,b) ,m(θ) =[∫bθ(u(x)dx] - 1 .ThehypothesistobetestedisH0 ;θ≤θ0 H1 :θ >θ0 , (2 )whereθ0 isaknownconstant.LetlossfunctionisL(θ ,a0 ) =b0 max(θ -θ0 ,0 )foracceptingH0 andL(θ,a1 ) =b0 max(θ0 -θ,0 )foracceptingH1 ,whereb0 isapositiverealnumber,D ={a0 ,a1 }isth…     

Linex损失下单边截断型分布族参数的EB估计

本文在Linex损失函数下,讨论单边截断型分布族参数的经验Bayes(EB)估计,并建立了它的收敛速度,并说明了在较强的条件下,收敛速度可充分接的于1。     

单边截断分布族参数的经验Bayes检验：NA样本情形

本文运用同分布NA样本密度函数的核估计,构造一类单边截断型分布族参数的经验Bayes检验,讨论它的渐近最优性,建立其收敛速度,在适当的条件下,证明了该收敛速度可以任意接近于1,最后给出适合定理条件的一个例子。     

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,     

截断型分布族参数的估计之损失的可容许估计

估计损失方法已经有很多文章论述,近期有[1]、[2]、[3]等。在传统的判决理论中,通常的做法是,在损失函数L(θ,d)下,基于样本选择判决函数δ(X),用风险函数R(θ,δ(x))=E_θL(θ,δ(X))作为衡量δ(X)的性能的量度或精度。估计损失方法认为(参见[1]),如果L(θ,δ(X))可获得,则精度的理想的量度应是L(θ,δ(X))本身,并利用样本给出这个实际损失的估计L_δ(X)。在估计损失L(θ,δ(X))时,采用的损失函数     

连续型多参数指数族参数的经验Bayes估计的收敛速度

本文用一般的最近邻型估计的方法研究了连续型多参数指数族参数的经验Ｂａｙｅｓ估计，在通常的条件下，给出了估计的较理想的收敛速度．     

正态分布族的参数的经验Bayes估计的收敛速度

对于正态分布族｛Ｎ（μ，σ￣２）：－∞＜μ＜＋∞，σ￣２＞０｝，该文利用密度函数及其偏导数的核估计构造出参数θ＝（μ，σ￣２）的经验Ｂａｙｅｓ（ＥＢ）估计，并在一定条件下证明了θ的ＥＢ估计的收敛速度可任意接近于１．最后给出了一个实例．     

刻度指数族参数的经验Bayes估计的收敛速度

本文对刻度指数族在加权平方损失下获得了参数的Bayes估计,并构造了相应的经验Bayes（EB）估计,证明了所提出的EB估计是渐近最优的且有收敛速度,其中1/2≤λ<1,s≥3是一给定的整数.最后,给出了刻度指数族EB估计的两个应用.     

刻度指数族参数的经验Bayes估计的收敛速度

本文对刻度指数族在加权平方损失下获得了参数的Bayes估计,并构造了相应的经验Bayes(EB)估计,证明了所提出的EB估计是渐近最优的且有收敛速度(),其中1/2＜λ＜1,s≥3是一给定的整数.最后,给出了刻度指数族EB估计的两个应用.     

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.     

截断分布族中估计的渐近有效性（II）

本文在一般截断型分布族中给出了参数函数的估计的Ｂａｈａｄｕｒ型渐近有效性的一种定义，验证了常用估计德这种渐近有效性，比较了Ｂａｈａｄｕｒ型与竹内启型渐近有效性之间的关系，系统地给出了具有Ｂａｈａｄｕｒ型但不具竹内启型渐近有效性估计的例子。     

刻度指数族参数的经验Bayes估计及收敛速度

本文在刻度平方误差损失函数下导出了刻度指数族分布中参数的Bayes 估计. 利用核估计的方法构造了参数的经验Bayes 估计, 在适当条件下得到了经验Bayes 估计的收敛速度, 推广了文献中的相关结果.