[论文解读] Estimation of Order Restricted Location/Scale Parameters of a General Bivariate Distribution Under General Loss function: Some Unified results

Naresh Kumar Garg, Neeraj Misra|arXiv (Cornell University)|Nov 1, 2021

Statistical Distribution Estimation and Applications参考文献 15被引用 6

一句话总结

本文统一了在一般损失函数下，对二元分布中有序限制的位置与尺度参数估计的现有结果。推导了改进任意位置/尺度不变估计量的充分条件，关键结果表明改进估计量在很大程度上取决于相关系数相对于标准差比值的关系，并通过模拟和短跑运动员表现的真实数据加以验证。

ABSTRACT

We consider component-wise equivariant estimation of order restricted location/scale parameters of a general bivariate distribution under quite general conditions on underlying distributions and the loss function. This paper unifies various results in the literature dealing with sufficient conditions for finding improvments over arbitrary location/scale equivariant estimators. The usefulness of these results is illustrated through various examples. A simulation study is considered to compare risk performances of various estimators under bivariate normal and independent gamma probability models. A real-life data analysis is also performed to demonstrate applicability of the derived results.

研究动机与目标

• 统一文献中关于在一般分布和损失函数下，改进有序限制位置/尺度参数的不变估计量的零散结果。
• 建立二元模型中参数空间受限制时，任意位置/尺度不变估计量不可容许性的充分条件。
• 开发能利用有序限制和一般碗形损失函数来改进无限制估计量的支配估计量。
• 研究相关结构对改进估计量形式和性能的影响，特别关注二元正态和伽马模型。
• 通过模拟研究和真实短跑速度数据的分析，验证理论发现。

提出的方法

• 使用分量估计法对一般二元族中的有序限制位置与尺度参数进行估计。
• 应用Stein（1964）的方法，推导在一般碗形损失函数下不变估计量不可容许性的充分条件。
• 采用风险函数分析，其中风险仅依赖于差值 λ = θ2 − θ1，从而将问题简化为单变量问题。
• 通过损失函数与有序限制 θ1 ≤ θ2 下的条件密度之间的函数不等式，推导改进估计量。
• 利用10,000个样本的模拟研究，比较二元正态和独立伽马模型下无限制估计量、受限最大似然估计量（MLE）、BSEE和改进估计量的风险表现。
• 对英国短跑运动员100米和200米成绩的真实数据进行分析，假设二元正态分布且 θ1 ≤ θ2，以展示方法的实际适用性。

实验结果

研究问题

• RQ1 在何种一般条件下，可以改进参数有序限制下的任意位置/尺度不变估计量？
• RQ2 各分量之间的相关系数如何影响改进估计量的结构形式和风险表现？
• RQ3 所提出的框架能否统一并扩展针对特定分布（如二元正态、伽马分布）和损失函数的先前结果？
• RQ4 在不同参数配置下，改进估计量相对于无限制估计量（如BSEE、MLE）的相对风险表现如何？
• RQ5 理论改进在现实世界数据中（如具有有序限制均值的短跑速度数据）在多大程度上成立？

主要发现

• 当相关系数 ρ 满足 ρσ2 > σ1 时，较小位置参数 θ1 的改进估计量存在；当 ρσ1 < σ2 时，较大参数的改进估计量存在。
• 当 ρσ2 = σ1 或 ρσ1 = σ2 时，无法对无限制估计量进行改进，此时最佳位置不变估计量（BLEE）与受限最大似然估计量一致。
• 在模拟研究中，改进的BSEE和改进的受限MLE在所有参数设置下均持续优于其无限制对应估计量。
• 对于较小的 θ2/θ1 比值，改进的受限MLE占优；对于中等至较大的比值，改进的BSEE表现更优。
• 在真实短跑数据的分析中，改进估计量对100米和200米平均速度均给出相同的估计值9.66 m/s，取代了无限制估计量的9.617和9.488 m/s。
• 数据表明服从二元正态分布（多变量正态性检验的p值分别为0.358和0.216），支持模型假设，也验证了所提估计量的有效性。