The problem of simultaneous estimation of location/scale parameters $\theta_1$ and $\theta_2$ of a general bivariate location/scale model, when the ordering between the parameters is known apriori (say, $\theta_1\leq \theta_2$), has been considered. We consider isotonic regression estimators based on the best location/scale equivariant estimators (BLEEs/BSEEs) of $\theta_1$ and $\theta_2$ with general weight functions. Let $\mathcal{D}$ denote the corresponding class of isotonic regression estimators of $(\theta_1,\theta_2)$. Under the sum of the weighted squared error loss function, we characterize admissible estimators within the class $\mathcal{D}$, and identify estimators that dominate the BLEE/BSEE of ($\theta_1$,$\theta_2$). Our study unifies several studies reported in the literature for specific probability distributions having independent marginals. We also report a generalized version of the Katz (1963) result on the inadmissibility of certain estimators under a loss function that is weighted sum of general loss functions for component problems. A simulation study is also carried out to validate the findings of the paper.


翻译:考虑过同时估算一个通用双变位置/规模参数($\theta_1美元和$\theta_2美元)的问题。 当参数之间已知的偏差值( 例如, $\theta_ 1\leq\theta_ 2美元) 时, 同时估算一个通用双变位置/规模参数( $_ 1美元 和$\theta_ 2美元) / 标度模型的位置/ 美元。 我们考虑的是基于最佳位置/ 规模等差估计器( lebelEs/ SQFEEs) 的异调回归估计器( $\theta_ 1美元 美元 和 $\theta_ 2美元 美元) 的问题。 在加权平方差损失函数的总和下, 我们考虑的是基于最佳位置/ equal- eq 等差估计器( $_ 1美元 美元 美元 和 $\\ tta_ 2美元 美元) 。 我们的研究在文献中报告的有关异位回归回归估计值的相应估计值的相应测量函数( 19lorimalestalalalalestal ) eximalestalestal dislal dislvial dism realismismism report 。我们还报告了A 总和Simmismlislislismlispalismisbal debalismismismismism repalismismismismismismismismismismismismismisbal debal debal debaldald a a a a s。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年2月25日
VIP会员
相关资讯
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员