In this thesis different situations are considered in which the preliminary test estimator is applied and the performance of the preliminary test estimator under different proposed loss functions, namely the reflected normal , linear exponential (LINEX) and bounded LINEX (BLINEX) loss functions is evaluated. In order to motivate the use of the BLINEX loss function rather than the reflected normal loss or the LINEX loss function, the risk for the preliminary test estimator and its component estimators derived under BLINEX loss is compared to the risk of the preliminary test estimator and its components estimators derived under both reflected normal loss and LINEX loss analytically (in some sections) and computationally. It is shown that both the risk under reflected normal loss and the risk under LINEX loss is higher than the risk under BLINEX loss. The key focus point under consideration is the estimation of the regression coefficients of a multiple regression model under two conditions, namely the presence of multicollinearity and linear restrictions imposed on the regression coefficients. In order to address the multicollinearity problem, the regression coefficients were adjusted by making use of Hoerl and Kennard’s (1970) approach in ridge regression. Furthermore, in situations where under- or overestimation exist, symmetric loss functions will not give optimal results and it was necessary to consider asymmetric loss functions. In the economic application, it was shown that a loss function which is both asymmetric and bounded to ensure a maximum upper bound for the loss, is the most appropriate function to use. In order to evaluate the effect that different ridge parameters have on the estimation, the risk values were calculated for all three ridge regression estimators under different conditions, namely an increase in variance, an increase in the level of multicollinearity, an increase in the number of parameters to be estimated in the regression model and an increase in the sample size. These results were compared to each other and summarised for all the proposed estimators and proposed loss functions. The comparison of the three proposed ridge regression estimators under all the proposed loss functions was also summarised for an increase in the sample size and an increase in variance. / Thesis (PhD)--University of Pretoria, 2014. / lk2014 / Statistics / PhD / Unrestricted

Η παρούσα μεταπτυχιακή διατριβή εντάσσεται ερευνητικά στο επιστημονικό πεδίο της Στατιστικής Θεωρίας Αποφάσεων και αποσκοπεί στην εκτίμηση της μέσης τιμής ενός πληθυσμού, ο οποίος επιλέγεται από δύο κανονικούς πληθυσμούς με άγνωστες μέσες τιμές και κοινή γνωστή διασπορά ως προς το τετραγωνικό σφάλμα και ως προς την ασύμμετρη συνάρτηση ζημίας LINEX. Η μελέτη του προβλήματος της εκτίμησης της μέσης τιμής ενός πληθυσμού ως προς το τετραγωνικό σφάλμα, παρουσιάστηκε στην εργασία του Dahiya(1974) ενώ το αντίστοιχο πρόβλημα ως προς την ασύμμετρη συνάρτηση ζημίας LINEX μελετήθηκε από τους Parsian and Farsipour(1999). Στην παρούσα εργασία, έγινε μια προσπάθεια σύγκρισης των αποτελεσμάτων της συνάρτησης μεροληψίας καθώς και της συνάρτησης κινδύνου προκειμένου να διαπιστωθεί ο βέλτιστος εκτιμητής. Η εύρεση εκτιμητών της μέσης τιμής από επιλεγμένο κανονικό πληθυσμό προϋποθέτει τη γνώση βασικών μαθηματικών εργαλείων. Κρίνεται, λοιπόν, αναγκαίο να μελετήσουμε βασικές έννοιες της Μαθηματικής Στατιστικής, οι οποίες θα μας βοηθήσουν να επιτύχουμε το στόχο μας. Στο Κεφάλαιο 1 παρατίθενται βασικοί ορισμοί και θεωρήματα της Μαθηματικής Στατιστικής. Στο Κεφάλαιο 2, περιλαμβάνεται η συνήθης εκτίμηση των παραμέτρων θέσεως από δύο κανονικούς πληθυσμούς με κοινή, γνωστή διασπορά. Στο Κεφάλαιο 3 παρουσιάζουμε τους εκτιμητές της μέσης τιμής του επιλεγμένου κανονικού πληθυσμού, τους οποίους πρότεινε ο Ram.C Dahiya(1974) καθώς και τις αντίστοιχες συναρτήσεις μεροληψίας. Στο Κεφάλαιο 4 γίνεται εκτενής ανάλυση των εκτιμητών μέσης τιμής από κανονικούς πληθυσμούς, τους οποίους πρότειναν οι Parsian and Farsipour(1999) καθώς και οι αντίστοιχες συναρτήσεις μεροληψίας. Στο Κεφάλαιο 5 παραθέτουμε τη συνάρτηση κινδύνου για καθένα από τους εκτιμητές των Parsian and Farsipour(1999) καθώς και αριθμητικά αποτελέσματα για το μέσο τετραγωνικό σφάλμα των εκτιμητών που προτάθηκαν στην εργασία του Dahiya(1974). / --

Η παρούσα μεταπτυχιακή διατριβή εντάσσεται ερευνητικά στην περιοχή της Στατιστικής Θεωρίας Αποφάσεων και ειδικότερα στην εκτίμηση των παραμέτρων στο μοντέλο της διπαραμετρικής εκθετικής κατανομής με παράμετρο θέσης μ και παράμετρο κλίμακος σ. Θεωρούμε το πρόβλημα εκτίμησης των παραμέτρων κλίμακας μ και θέσης σ, όταν μ≤c, όπου c είναι μία γνωστή σταθερά. Αποδεικνύουμε ότι σε σχέση με το κριτήριο του Μέσου Τετραγωνικού Σφάλματος (ΜΤΣ), οι βέλτιστοι αναλλοίωτοι εκτιμητές των μ και σ, είναι μη αποδεκτοί όταν μ≤c, και προτείνουμε βελτιωμένους. Επίσης συγκρίνουμε του εκτιμητές αυτούς σε σχέση με το κριτήριο του Pitman. Επιπλέον, προτείνουμε εκτιμητές που είναι καλύτεροι από τους βέλτιστους αναλλοίωτους εκτιμητές, όταν μ≤c, ως προς την συνάρτηση ζημίας LINEX. Τέλος, η θεωρία που αναπτύσσεται εφαρμόζεται σε δύο ανεξάρτητα δείγματα προερχόμενα από εκθετική κατανομή. / The present master thesis deals with the estimation of the location parameter μ and the scale parameter σ of the two-parameter exponential distribution. We consider the problem of estimation of locasion parameter μ and the scale parameter σ, when it is known apriori that μ≤c, where c is a known constant. We establish that with respect to the mean square error (mse) criterion the best affine estimators of μ and σ in the absence of information μ≤c are inadmissible and we propose estimators which are better than these estimators. Also, we compare these estimators with respect to the Pitman Nearness criterion. We propose estimators which are better than the standard estimators in the unrestricted case with respect to the suitable choise of LINEX loss. Finally, the theory developed is applied to the problem of estimating the location and scale parameters of two exponential distributions when the location parameters are ordered.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal.

Mémoire numérisé par la Division de la gestion de documents et des archives de l'Université de Montréal

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Αρχικά γίνεται μια ιστορική αναδρομή, μια παρουσίαση της διπαραμετρικής Γενικευμένης εκθετικής κατανομής (τύπος κατανομής, συνάρτηση πυκνότητας πιθανότητας κλπ) και αναφέρονται βασικά χαρακτηριστικά της κατανομής. Στη συνέχεια αναφέρονται βασικοί ορισμοί και θεωρήματα σχετικά κυρίως με τη σημειακή παραμετρική εκτίμηση καθώς και την εκτίμηση κατά Bayes. Το επόμενο κεφάλαιο πραγματεύεται την ανάλυση του μοντέλου και τις βασικές ιδιότητες της Γενικευμένης εκθετικής κατανομής. Επίσης μελετώνται ειδικά θέματα, όπως συναρτήσεις επιβίωσης, πληροφορία Fisher, διατεταγμένες παρατηρήσεις, κατανομή του αθροίσματος και παραγωγή τυχαίων αριθμών, στα πλαίσια της Γενικευμένης εκθετικής κατανομής. Στη συνέχεια αναλύονται και εφαρμόζονται μέθοδοι σημειακής εκτίμησης (Μέγιστη Πιθανοφάνεια, Μέθοδος ροπών, Μέθοδος εκατοστημορίων, Ελάχιστα και σταθμισμένα ελάχιστα Τετράγωνα, L-ροπές) για την εκτίμηση των παραμέτρων της κατανομής. Μελετάται και η απόδοση των εκτιμητών για τις διάφορες μεθόδους εκτίμησης. Ακολουθεί η εκτίμηση τύπου Bayes των παραμέτρων (με συναρτήσεις ζημίας τετραγωνικού σφάλματος και LINEX αντίστοιχα). Αναφέρονται πάλι συμπεράσματα για την απόδοση των εκτιμητών και σύγκριση με τους εκτιμητές μέγιστης πιθανοφάνειας. Τελικά παρουσιάζουμε την προσέγγιση ενός αναλογιστικού πίνακα μέσω της Γενικευμένης εκθετικής κατανομής. / In the beginning, we mention a historical recursion, a presentation of the 2-parameter Generalized exponential distribution ( distribution type, probability density function etc.) and we also mention basic characteristics of the distribution. Basic definitions and theorems about point estimation and Bayes estimation are reported. Furthermore, we discource on the analysis of the model and basic properties of the Generalized exponential distribution. Special themes, such as survival functions, Fisher information, order statistics, sum distribution and production of random numbers are analyzed in the frame of the Generalized exponential distribution. Moreover, we analyze and apply point estimation methods (maximum likelihood, method of moments, percentile estimation, least (and weighted least) squares, method of L-moments) in order to estimate parameters of the distribution. Performance of the estimators for different estimation methods is also analyzed. Next, bayesian estimation of the parameters (under squared error loss function and LINEX loss function) is coming up for discussion. We also analyze the performance of the estimators and compare them to the maximum likelihood estimators. Finally, we present approximation of an actuarial table via Generalized exponential distribution.