On the asymptotic behaviour of empirical Bayes tests for the continuous one-parameter exponential family (Q1073474)

Die Idee der empirischen Bayes Verfahren geht auf \textit{H. Robbins} [Proc. 3rd Berkeley Sympos. math. Statist. Probability 1, 157-163 (1956; Zbl 0074.353)] zurück. Eine größere Anzahl von Arbeiten bemühte sich um asymptotische Resultate für solche Tests. Nützliche asymptotische Resultate präsentiert auch die vorliegende Arbeit. Ausgegangen wird von einer Exponentialfamilie bedingter Dichten der Form \(x\to m(x)e^{xt}h(t)\), \(-\infty \leq a<x<b\leq \infty\) mit zugehöriger Verteilungsfunktion \(F(x| t)\), der Nullhypothese \(t\leq t_ 0\) und der Alternative \(t>t_ 0\), \(m\) sei stetig differenzierbar. Die a priori-Verteilung von \(t\) sei durch die Verteilungsfunktion \(G\) gegeben. \(\xi_ 1,...,\xi_ n\) seien unabhängige Zufallsvariable, deren Verteilung (für \(i=1,...,n)\) durch \[ x\to f(x)=\int^{\infty}_{-\infty}m(x)e^{tx}h(t)dG(t) \] gegeben sei. Die Verlustfunktionen seien gemäß \(\max(t-t_ 0,0)\) bzw. \(\max(t_ 0-t,0)\) gegeben. Sei weiter: \[ k_ n^{(i)}(x)= (h k_ n^{1+i})^{-1} \sum^{n}_{j=1}K_ i(h_ n^{-1}(x-\xi_ j))/m(\xi_ j),\quad i=0,1. \] Dabei ist \(K_ i\) der bei \textit{R. S. Singh} [Ann. Stat. 7, 890-902 (1979; Zbl 0411.62019)] definierte Kern, \(h_ n=o(1)\), \(n h^ 3_ n\to \infty.\) Sei \(d(x)=f'(x)/f(x)-m'(x)/m(x)\) und der zugehörige Schätzer durch \[ d_ n(a_ n)c_{(-\infty,a_ n)}+d_ n(x)c_{[a_ n,b_ n]}+d_ n(b_ n)c_{(b_ n,\infty)} \] gegeben. Dabei ist \(d_ n(x)=k_ n^{(1)}(x)/k_ n^{(0)}(x)\) für \(a_ n\leq x\leq b_ n\), \(c\) ein Symbol für die Indikatorfunktion und \(a_ n\to a+0\), \(b_ n\to b- 0\), mit \(\sup_{a_ n\leq x\leq b_ n}| d_ n(x)-d(x)| \to 0\) in Wahrscheinlichkeit. Geeignete Folgen \(\{a_ n\}\), \(\{b_ n\}\) werden konstruiert. Definiere die empirischen Bayes-Tests: \[ \phi_ n(x)=c_{\{\xi_ 1,...,\xi_ n:\;d_ n(x)>t_ 0\}}\text{ und (in abgekürzter Schreibweise)} \] \[ \phi^*_ n(x)=c_{\{x>F^{-1}(1-\alpha_ n| t_ 0\}}\text{ mit }\alpha_ n= \int^{b}_{a}c_{\{d_ n(x)>t_ 0\}}dF(x| t_ 0). \] Sei \(R(G,\phi_ n)\) die Risikofunktion gegeben \(\xi_ 1,...,\xi_ n\) und \(r(G)\) das (minimale) Risiko für den zu \(G\) gehörigen Bayes-Test. Unter schwachen Bedingungen \((E| t| <\infty\), \(G\) kein Dirac-Maß) wird die optimale Größenordnung von \(h_ n\) bestimmt und gezeigt, daß \(nh^ 3_ n(R(G,\phi_ n)-r(G))\) in Verteilung gegen eine (genau spezifizierte) Gauß-Verteilung konvergiert. Analog für \(R(G,\phi^*_ n)\).