برآوردگر انقباضی بیزی برای پارامتر مقیاس توزیع نمایی بر اساس داده های سانسور شده

معمولا با مشاهده یک نمونه تصادفی و با استفاده از روش‌های معمول برآوردیابی مانند روش ماکسیمم درستنمایی به برآورد پارامتر نامعلوم می‌پردازند. در بعضی مواقع اطلاعاتی در مورد پارامتر واقعی به‌صورت یک حدس در اختیار داریم. در چنین حالت‌هایی می‌توان برآوردگر ماکسیمم درستنمایی یا هر برآوردگر دیگری را در جهت مقدار حدسی منقبض کرد و برآوردگرهای انقباضی را ساخت. در این مقاله، به مطالعه رفتار یک برآوردگر انقباضی بیزی برای پارامتر مقیاس توزیع نمایی براساس نمونه‌های سانسور شده تحت یک تابع زیان نامتقارن ناوردای مقیاس می‌پردازیم. برای این منظور، برآوردگر انقباضی بیزی معرفی و کارآیی نسبی بین این برآوردگر و بهترین برآوردگر خطی با توجه به حجم نمونه، ابرپارامترهای توزیع پیشین و میزان نزدیکی مقدار حدسی به مقدار واقعی پارامتر محاسبه می‌شود. همچنین نتایج به‌دست آمده به توزیع‌های طول عمر رایلی و وایبول تعمیم داده می‌شود.

Bayesian Shrinkage Estimator for the Scale Parameter of Exponential Distribution Based on Censored Data

Usually, we estimate the unknown parameter by observing a random sample and using the usual methods of estimation such as maximum likelihood method. In some situations, we have information about the real parameter in the form of a guess. In these cases, one may shrink the maximum likelihood or other estimators towards a guess value and construct a shrinkage estimator. In this paper, we study the behavior of a Bayes shrinkage estimator for the scale parameter of exponential distribution based on censored samples under an asymmetric and scale invariant loss function. To do this, we propose a Bayes shrinkage estimator and compute the relative efficiency between this estimator and the best linear estimator within a subclass with respect to sample size, hyperparameters of the prior distribution and the vicinity of the guess and real parameter. Also, the obtained results are extended to Weibull and Rayleigh lifetime distributions.