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     

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。     

多维指数族分布的参数线性容许估计的一个充分条件

本利用唯一的Bayes估计是容许估计的原理,构造了一个先验分布。     

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。     

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 .)     

两个尺度参数线性函数估计的线性容许性

设 Y=（Y_1,Y_2)＇,Y_1,Y_2≥0;EY=β=(β_1,β_2)',CovY=kdiag(β_1~2,β_2~2)’,β∈(R~ )~2是参数,k>0为常数,其中R~ =（0,∞)我们估计l＇β,这里l＇=（l_1,l_2）。选取的损失函数为平方损失,估计类为={A＇Y:A=（a_1,a_2)＇是常数向量,a_1,a_2≥ 0}。我们研究 A＇Y在中的容许性,得到了A＇Y在中是l＇β的容许估计的充要条件。     

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。     

分布函数估计的可容许性

这篇文章在损失L(F,a)=f|F(t)-a(t)|(F(t))a(1-F(t))βdF(t)下,考虑了离散分布函数F的估计问题.在a>0和β>0下,获得了F的容许估计.     

ON BAHADUR－TYPE ASYMPTOTIC EFFICIENCY OF POINT ESTIMATORS UNDER IRREGULAR TRUNCATED DISTRIBUTION FAM

ＯＮＢＡＨＡＤＵＲ－ＴＹＰＥＡＳＹＭＰＴＯＴＩＣＥＦＦＩＣＩＥＮＣＹＯＦＰＯＩＮＴＥＳＴＩＭＡＴＯＲＳＵＮＤＥＲＩＲＲＥＧＵＬＡＲＴＲＵＮＣＡＴＥＤＤＩＳＴＲＩＢＵＴＩＯＮＦＡＭＩＬＹ￥ＣｈｅｎＧｕｉｊｉｎｇ（陈桂景）（ＤｅｐａｒｔｍｅｎｔｏｆＭａｔ...     

非正则双边截断分布族点估计的中偏差

本文研究了某一类非正则双边截断分布族的参数估计,利用( X(1),X(n))的联合分布函数及应用Taylor渐近展开的方法,得到了它的未知参数(θ1,θ2)满足中偏差原理,且求出了其精确的速率函数表达式,它的表达式不同于一般的速率函数.     

半参数回归模型的极小极大线性估计

给出了半参数回归模型中当累赘参数ｇ（ｔ）一致有界或者ｇ（ｔｉ）落在有界球体内参数β的极小极大线性估计，并指出它们按均方误差收敛的速度达到Ｏ（ｎ＾－１）。     

截断与删失数据的极大似然估计的中偏差

本文研究了截断与删失模型,运用Taylor渐近展开方法,得到模型的极大似然估计的中偏差,比渐近正态性结果更加精细.     

GBVE分布相关参数的矩型估计

考虑Gumbel提出的二元指数分布,其可靠度函数为 .我们把这类分布称为 .根据(Lnx1,LnX2)的混合矩的性质,本文提出了δ的两个矩型估计δ1和δ2,证明了δ1和δ2都有强相合性和渐近正态性,得到了δ1和δ2的渐近方差σδ12和σδ22并把σδ12和σδ22作了比较.最后还给出了若干随机模拟结果.     

协方差的二次型容许估计

本文研究方差的二次型估计的容许性,在平方损失下,我们给出了一个二次型估计在二次型估计类中是协方差的容许估计的充要条件。     

左截断数据中的Fisher信息量

本文研究左截断数据(U,V)含θ的Fisher信息量,并给出了基于分布和失效率表示的两个表达式.特别在Koziol-Green模型下研究左截断观测数据(U,V)含θ的Fisher信息量与完全数据X含θ的Fisher信息量的关系,得出在该模型下左截断观测数据(U,V)含θ的Fisher信息量不仅未损失,反而增加的结论.     

二次损失下一般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σ~2V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∈R~p和σ~2>0是未知参数。本文在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)     

Integrated squared error of kernel-type estimator of distribution function

Let X ₁ ,...,X _n be a random sample drawn from distribution function F(x) with density function f(x) and suppose we want to estimate X(x). It is already shown that kernel estimator of F(x) is better than usual empirical distribution function in the sense of mean integrated squared error. In this paper we derive integrated squared error of kernel estimator and compare the error with that of the empirical distribution function. It is shown that the superiority of kernel estimators is not necessarily true in the sense of integrated squared error.     

方差分量的改进估计

本文研究一类方差分量模型中方差分量的改进估计问题,对单向分类随机模型的对应于随机效应的方差分量,我们研究了一个不变估计类,它包含了一些常用重要估计。证明了在均方误差准则下,在该估计类中不存在一致最优不变估计,且方差分析估计是不容许估计。在一个重要子估计类中,找到了一致最优估计。对于较一般的含两个方差分量的混合模型,我们研究了一个非负估计类的性质,给出了它们的分布,并建立了它们优于方差分析估计的充分