The problem of estimating location (scale) parameters $\theta_1$ and $\theta_2$ of two distributions when the ordering between them is known apriori (say, $\theta_1\leq \theta_2$) has been extensively studied in the literature. Many of these studies are centered around deriving estimators that dominate the maximum likelihood estimators and/or best location (scale) equivariant estimators for the unrestricted case, by exploiting the prior information $\theta_1 \leq \theta_2$. Several of these studies consider specific distributions such that the associated random variables are statistically independent. In this paper, we consider a general bivariate model and general loss function and unify various results proved in the literature. We also consider applications of these results to various dependent bivariate models (bivariate normal, a bivariate exponential model based on a Morgenstern family copula, a bivariate model due to Cheriyan and Ramabhadran's and Mckay's bivariate gamma model) not studied in the literature. We also apply our results to two bivariate models having independent marginals (exponential-location and power-law distributions) that are already studied in the literature, and obtain the results proved in the literature for these models as a special cases of our study.


翻译:文献中广泛研究了在知道两个分布点之间的定序时估算位置( 标度) $theta_ 1美元 和 $theta_ 2美元 的问题。 许多这些研究都围绕在文献中广泛研究的以下问题: 估计位置( 标度) 参数( 标度) $theta_ 1美元 美元 和 $theta_ 2美元 两个分布点 。 当它们之间的定序已知时, 估计位置( 标度( 标度) $theta_ 1美元 美元 美元 和 $theta_ 2美元 美元 美元 。 这些研究中有些研究考虑了具体的分布, 相关的随机变量在统计上是独立的 。 在本文中, 我们考虑的是一般的双变量模型和一般损失函数, 并统一文献中所证明的各种结果。 我们还考虑将这些结果应用到各种依赖的双变量模型( 常数, 以Morgenster 家族立式为基础, 一种双变量指数模型, 是切里扬和 Ramabhadran's 和 Mckay's 特殊变数变量的模型。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19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
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20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
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年11月23日
Arxiv
0+阅读 · 2021年11月22日
Arxiv
13+阅读 · 2021年5月25日
VIP会员
相关VIP内容
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19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
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25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
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20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
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员