1. In general, the ML estimator per

1. In general, the ML estimator performs better
than other estimators in terms of biases for all
cases considered. Whereas MSE decreases for
PWM method with increasing α.
2. It is also concluded that Bayes estimates based
on squared error loss function and El-Sayyad
function are very close to the ML estimator for β=1
and different values of α as sample size increases.
Moreover, Bayes estimate relative to the linex loss
function is also close to the ML estimate for the
case when c= -1 and β=1. We also concluded that
Bayes estimate under linex loss function for c=1
and β=1 is confining to the ML estimate as sample
size increases. As in the case of different values of
r, l and c, we obtain approximately the same
results. Finally, we can say that in each scenario, the ML method outperforms in terms of bias and MSE.

ผลลัพธ์ (ไทย) 1:

1. โดยทั่วไป ประมาณมล.ทำได้ดีกว่ากว่า estimators อื่น ๆ ในแง่อคติทั้งหมดกรณีที่ถือว่า ในขณะที่ MSE ลดลงวิธี PWM ด้วยαเพิ่มขึ้น2. ก็ยังสรุปได้ว่า คะแนนการประเมิน Bayesฟังก์ชั่นการสูญเสียผิดพลาดกำลังสองและ El Sayyadทำงานอยู่ใกล้ประมาณ ML สำหรับβ = 1และค่าต่าง ๆ ของαเป็นขนาดตัวอย่างเพิ่มขึ้นนอกจากนี้ Bayes ประเมินเทียบกับขาดทุน linexทำงานอยู่ใกล้ประเมิน ML สำหรับการกรณีเมื่อ c = -1 และβ = 1 เราสรุปได้ที่Bayes ประเมินภายใต้ฟังก์ชันขาดทุน linex สำหรับ c = 1และβ = 1 จะเก็บกักประมาณ ML เป็นตัวอย่างการเพิ่มขนาด เช่นในกรณีของค่าที่แตกต่างของr, l และ c เราได้รับประมาณเดียวกันผลลัพธ์ที่ ในที่สุด เราสามารถพูดได้ว่า ในแต่ละสถานการณ์ วิธี ML มีประสิทธิภาพสูงกว่าในแง่อคติและ MSE

ผลลัพธ์ (ไทย) 2:

1. โดยทั่วไปประมาณ ML มีประสิทธิภาพดี
กว่าประมาณค่าอื่น ๆ ในแง่ของอคติสำหรับทุก
กรณีการพิจารณา ในขณะที่ลดลง MSE สำหรับ
วิธี PWM เพิ่มα.
2 นอกจากนี้ยังได้ข้อสรุปว่า Bayes ประมาณการที่อ้างอิง
ในการยกกำลังสองฟังก์ชั่นการสูญเสียความผิดพลาดและ El-Sayyad
ฟังก์ชั่นที่มีความใกล้เคียงกับประมาณการ ML สำหรับβ = 1
และค่านิยมที่แตกต่างกันของαเป็นเพิ่มขนาดของกลุ่มตัวอย่าง.
นอกจากนี้เบส์ประมาณการเมื่อเทียบกับการสูญเสีย Linex
ฟังก์ชั่น นอกจากนี้ยังใกล้เคียงกับประมาณการ ML สำหรับ
กรณีเมื่อ C = -1 และβ = 1 นอกจากนี้เรายังได้ข้อสรุปว่า
Bayes ประมาณการภายใต้ฟังก์ชั่นการสูญเสีย Linex สำหรับ C = 1
และβ = 1 ถูกกักตัวประมาณการ ML เป็นตัวอย่างที่
มีขนาดเพิ่มขึ้น เช่นในกรณีของค่าที่แตกต่างของ
R, L และ C เราได้รับประมาณเดียวกัน
ผล สุดท้ายเราสามารถพูดได้ว่าในแต่ละสถานการณ์วิธี ML มีประสิทธิภาพดีกว่าในแง่ของการมีอคติและ MSE

ผลลัพธ์ (ไทย) 3:

1 . ทั่วไป มล ประมาณการประสิทธิภาพดีกว่ากว่าวิธีการอื่น ๆในแง่ของอคติทั้งหมดกรณีพิจารณา ส่วน MSE ลดลงสำหรับโดยวิธีการเพิ่มα .2 . นอกจากนี้ยังพบว่า การประมาณการตาม Bayesในข้อผิดพลาดการสูญเสียฟังก์ชัน และ เอล sayyad พร้อมการทำงานอย่างใกล้ชิดกับประมาณการ ml = 1 บีตาและค่าต่าง ๆ ของαเมื่อเพิ่มขนาดตัวอย่างนอกจากนี้ ประเมินเทียบกับการสูญเสีย linex Bayesฟังก์ชันยังใกล้เคียงกับประมาณการ ml สำหรับกรณีเมื่อ c = 1 และบีตา = 1 เราสามารถสรุปได้ว่าการประเมินการสูญเสีย linex Bayes ภายใต้ฟังก์ชัน c = 1บีตา = 1 และกักขังให้มล ประมาณการ เป็นตัวอย่างเพิ่มขนาด เช่นในกรณีของค่าต่าง ๆR , L และ C ที่เราได้รับประมาณเดียวกันผลลัพธ์ ในที่สุด เราสามารถพูดได้ว่าในแต่ละสถานการณ์ , มล. วิธีมีประสิทธิภาพดีกว่าในแง่ของการทำให้มีความลำเอียงและ MSE .