无失效数据的Bayes和多层Bayes估计

对无失效数据的研究 ,是近些年来遇到的一个新问题 ,在实际问题中迫切需要解决 ,这项工作具有理论和实际应用价值 .本文对无失效数据 (ti,ni) ,在时刻ti 的失效概率pi=p{T 相似文献   

不同先验分布下艾拉姆咖分布参数的Bayes估计

首先在定数截尾场合下,分别取共轭先验、Jeffreys先验和无信息先验,给出了艾拉姆咖分布参数的Bayes点估计和区间估计;其次用极大似然法得到超参数的估计值;然后通过随机模拟得到参数估计的均值和均方误差;最后由一个实例给出了不同截尾样本下参数的三种点估计和区间估计,并把它们进行了比较.     

心理状态数的Bayes估计

设误差 X在心理状态数的作用下的分布为偏正态分布 ,即 X有密度f ( x;σ2 ,C) =C2πσe-x22σ2 　 x 02 - C2πσe-x22σ2 　 x >0其中 0 C 2为心理状态数 ,σ>0为未知参数 ,本文分别在 C服从 [C1,C2 ]上的均匀分布 ,Jeffreys无信息先验分布和共轭先验分布的假设下 ,得到了心理状态数 C的 Bayes估计。     

正态分布在不同先验下的Bayes估计及风险比较

本文讨论在均值未知,方差已知的正态分布情况下通过在共轭先验以及Jeffreys先验二种先验下的Bayes估计问题,在平方损失函数下和线性损失函数下Bayes风险的比较.数据计算可以看出,在Jeffreys先验下的Bayes风险要比在共轭先验下的Bayes风险要大,但是当样本量增大时,两者的后验风险越来越靠近.     

巴斯卡分布参数的Bayes估计

给出巴斯卡分布在参数具有验前β（1／2,0）分布时产品可靠度的Bayes估计,Bayes置信下限以及参数具有含超参数的验前Beta分布时可靠度的多层Bayes估计,并进一步得到几何分布的相应估计。     

Pareto分布形状参数的E-Bayes估计和多层Bayes估计及其应用

给出了参数的E-Bayes估计的定义,对Pareto分布在尺度参数已知时,在平方损失下给出了形状参数的E-Bayes估计和多层Bayes估计,并且用Monte Carlo方法给出了模拟算例.最后,结合高尔夫球手收入数据的实际问题进行了计算,结果表明本文提出的方法可行且便于应用.     

定数截尾数据缺失场合下指数分布参数的Bayes估计

当寿命分布为指数分布时,本文给出了定数截尾寿命试验数据缺失场合下平均寿命的Bayes估计,为计算上的方便,本文还给出了Bayes估计的一种近似计算方法,数值例子表明这种方法简便可行。     

Bayes估计的哲学思考

从哲学角度讨论了参数的Bayes估计,对经典学派与Bayes学派的分歧进行了一些哲学思考,这实际上是唯物主义与唯心主义的分歧.作者认为唯物论与唯心论只是认识世界的两个观点,它统一与客观世界.     

稳健Bayes估计

在Bayes估计问题中,我们证明了当损失函数满足一定条件时,所对应的Bayes估计是稳健的:即Bayes估计是后验分布的连续泛函(相对于后验分布之间的Kolmogorov距离)。     

加权先验下的Bayes方差估计

针对具有多阶段试验信息的参数估计问题,考虑到历史数据和现场数据的不可等同性,给基于历史数据的似然函数加一个权参数a0(0≤a0≤1)的方案,结合动态修正Bayes估计方法,建构并推导出正态分布方差的加权先验Bayes估计模型.     

线性回归模型的Bayes统计推断

Bayes方法虽融合了样本信息和先验信息，但利用的先验信息都是有历史经验和专家估计所得，因此可靠度不高。该文研究了正态线性回归模型：Y=Xβ＋e，e—N（0，σ^2。L），其中σ^2已知，β为未知参数向量，对传统的Bayes方法进行了改进，即把Bayes方法中的后验信息作为改进Bayes的无验信息并融合样本信息进行统计推断，在二次损失函数下得到了β的改进的Bayes估计。由于改进的Bayes方法的先验信息中有样本信息，因此其准确度比传统的Bayes方法准确度更高。     

基于混合先验分布共积的贝叶斯检验

根据贝叶斯原理,本文分别讨论了在误差项σ2已知与未知两种情况下,给出了共积向量的残差的后验分布,依据残差uIt是否是单位根过程I(1)来判断向量Yt是否存在共积,如果残差是I(1)的,则拒绝Yt是共积,否则接受Yt是共积的。     

二项分布参数多层Bayes和E Bayes估计的性质

讨论无失效数据下二项分布参数E Bayes估计和多层Bayes估计的性质,证明二项参数的多层Bayes估计和E Bayes估计渐近相等,且E Bayes估计值小于多层Bayes估计值.     

BAYESIAN ANALYSIS OF DATA WITH ONLY ONE FAILURE

The hearings of a certain type have their lives following a Weibull distribution. In a life test with 20 sets of bearings, only one set failed within the specified time, and none of the remainder failed even after the time of to estimate the reliabilWith a set of testing data like that in Table 1, it is required to estimate the reliability at the mission time, In this paper, we first use hierarchical Bayesian method of determine the prior distribution and the Bayesian estimates of various probabilities of failures, pi‘s, then use the method of least squares to estimate the parameters of the Weibull distribution and the reliability. Actual computation shows that the estimates so obtained are rather robust. And the results have been adopted for practical use.     

基于贝叶斯估计的中国人均GDP之时序模型

本文应用SAS软件对1952-2009年的中国人均GDP建立时间序列模型并对2010-2013年的中国人均GDP进行了预测;在此基础上建立了以时间序列模型得到的参数信息作为先验信息的两种贝叶斯修匀模型与算法。由此所得的参数贝叶斯估计及预测,能充分利用样本信息和参数的先验信息,因而具有更小的方差或平方误差,估计参数更科学。为了检验该方法对先验分布的灵敏性,我们做了基于两种先验分布的模拟预测。将预测结果与传统时间序列预测相比,发现单一正态观测值、方差已知的先验分布的贝叶斯模型得到的预测值更准确,而基于先验分布为指数分布的贝叶斯模型的预测误差较大,预测效果差。     

On the normality a posteriori for exponential distributions,using the Bayesian estimation

Summary The Bayesian estimation problem for the parameter θ of an exponential probability distribution is considered, when it is assumed that θ has a natural conjugate prior density and a loss-function depending on the squared error is used. It is shown that, with probability one, the posterior density of the Bayesian—centered and scaled parameter converges pointwise to the normal probability density. The weak convergence of the posterior distributions to the normal distribution follows directly. Both correct and incorrect models are studied and the asymptotic normality is stated respectively.     

企业诚信度的贝叶斯估计研究

本文利用贝叶斯分析方法建立了评估企业诚信度的概率估计模型，并选取了一些有代表性的企业进行实证分析。与现有的同类问题研究相比，本模型的特点是将决策者个人经验和主观判断作为先验信息与样本信息相结合、将财务数据与诚信表现相结合，从而提高了估计的可靠性和准确性。     

工序能力Bayes推断

本文从Ｂａｙｅｓ观点研究工序能力，对无信息先验和共轭先验，给出了Ｃｐ的后验分布、条件期望估计和最大后验估计、Ｂａｙｅｓ置信下限和判断工序是否有能力的临界值，适于对相似工序作统计推断。     

Identifying Mixtures of Mixtures Using Bayesian Estimation

The use of a finite mixture of normal distributions in model-based clustering allows us to capture non-Gaussian data clusters. However, identifying the clusters from the normal components is challenging and in general either achieved by imposing constraints on the model or by using post-processing procedures. Within the Bayesian framework, we propose a different approach based on sparse finite mixtures to achieve identifiability. We specify a hierarchical prior, where the hyperparameters are carefully selected such that they are reflective of the cluster structure aimed at. In addition, this prior allows us to estimate the model using standard MCMC sampling methods. In combination with a post-processing approach which resolves the label switching issue and results in an identified model, our approach allows us to simultaneously (1) determine the number of clusters, (2) flexibly approximate the cluster distributions in a semiparametric way using finite mixtures of normals and (3) identify cluster-specific parameters and classify observations. The proposed approach is illustrated in two simulation studies and on benchmark datasets. Supplementary materials for this article are available online.     

基于Jeffreys验前的Bayes方差估计修正

分析了基于Jeffreys验前的经典Bayes方差估计以及考虑验前信息可信度情况下Bayes方差估计存在的问题,在一般情况下,其方差估计要大于验前子样和验后子样的方差,这显然是不合理的.这是采用Jeffreys验前和正态共轭分布假设时存在的固有问题.为了解决这一问题,提出了方差估计的修正公式,经过计算验证,其值在验前子样和验后子样方差之间,说明修正公式是合理的.