Escolar Documentos
Profissional Documentos
Cultura Documentos
con funciones de
densidad ( ) , x f , decimos que constituyen un modelo regular si se verifican las
siguientes condiciones:
i) El modelo es identificable, en el sentido de que
2 1
, ha de existir al
menos un conjunto B del espacio muestral tal que ( ) ( )
2 1
.
ii) El espacio paramtrico es un intervalo abierto de
.
iii) Todas las funciones de densidad especificadas por el modelo tienen el mis-
mo soporte.
iv) Para la funcin f, la derivacin con respecto a y la integracin con respecto
a x pueden intercambiarse hasta orden dos. Concretamente:
1. ( ) ( )dx , x f dx , x f
y 2. ( ) ( )dx , x f dx , x f
2
2
2
2
0
, x f log
y 2.
( ) ( )
]
]
]
]
,
,
,
]
]
]
]
,
,
,
(
,
\
,
(
j
2
2
2
, x f log , x f log
366 ESTADSTICA ESPAOLA
Definicin: Se llama Informacin de Fisher que la variable X proporciona sobre
el parmetro
a
( )
( )
]
]
]
]
,
,
,
(
,
\
,
(
j
2
x
, x f log
.
Aplicando la propiedad 2, se obtiene que
( )
( )
]
]
]
]
,
,
,
(
(
,
\
,
,
(
j
2
2
x
, x f log
.
Dada una muestra aleatoria simple
n 1
X ,..., X y un estadstico ( )
n 1
X ,..., X T , uti-
lizaremos la siguiente notacin a partir de ahora: ( ) ( )
1
x
ser la informacin
proporcionada por una muestra de tamao 1; ( )
x
ser la informacin proporcio-
nada por la muestra de tamao n; ( )
,
]
]
]
]
,
,
,
j i
2
t
2
, x f log
, decir es ,
, x f log
j , i
.
Recordemos que la Informacin de Fisher verifica varias propiedades intere-
santes, entre las que destacamos:
i) Si T y S son estadsticos independientes, entonces
( )
( ) ( ) ( ) +
S T S , T
I .
Como consecuencia inmediata, ( ) ( ). n
1
x x
.
ii) T es auxiliar (es decir, su distribucin no depende del parmetro ) sii
( ) 0
T
.
iii) ( ) ( )
x T
, dndose la igualdad sii T es suficiente.
La Informacin de Fisher es de gran inters y utilidad desde diversas perspecti-
vas. En primer lugar, podemos estudiar la prdida de informacin que se produce al
trabajar con un estadstico T no suficiente calculando ( ) ( )
x
o bien
( ) ( )
x
. La Informacin de Fisher tambin juega un papel relevante al propor-
cionar la conocida cota de Cramer-Rao para la varianza de los estimadores inses-
gados y la varianza asinttica del estimador mximo-verosmil, que en modelos
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 367
regulares coincide con la cota y, por tanto, dicho estimador en estos casos es
asintticamente eficiente.
Adems, a partir de los trabajos de Jeffreys (1946,1961), el concepto de Infor-
macin de Fisher tom tambin relevancia dentro del enfoque Bayesiano, ya que
dada una reparametrizacin biyectiva y regular () (donde suponemos que
ambos parmetros son unidimensionales), sabemos que ( ) ( )
2
/ y por
tanto, la regla de obtencin de distribuciones a priori consistente en tomar
( ) ( ) es invariante ante reparametrizaciones, ya que verifica
( ) ( ) ( ) ( )
As, este autor propuso la llamada regla de Jeffreys para construir distribuciones
a priori no informativas basndose en el concepto de Informacin de Fisher. En el
caso univariante, esta es la opcin actualmente ms aceptada.
La importancia del concepto de Informacin de Fisher es indudable, aunque eso
s, recordando siempre que slo es aplicable a modelos regulares. Por ello, es
natural plantearse si habr alguna forma de generalizar este concepto o al menos
definir una medida de informacin aplicable a modelos no regulares y que tenga en
esencia todas las propiedades de la Informacin de Fisher. La idea entonces es
que una tal medida de informacin permitiera, en los modelos no regulares, calcular
la prdida de informacin correspondiente a un estadstico no suficiente y construir
una regla de eleccin de distribuciones a priori no informativas, que es el objetivo
del presente trabajo.
2.1. Informacin de Akahira. Propiedades
Hay muchas definiciones de medidas de informacin aplicables a modelos no
regulares, aunque nosotros vamos a trabajar slo con la que utilizan Akahira, y
Takeuchi (1991).
Consideremos una familia de distribuciones de probabilidad cuyas funciones de
densidad, con respecto a la medida de Lebesgue, sea ( ) , , x f y
n 1
,...,
una muestra aleatoria simple del modelo ( ) , x f . Definimos la cantidad de informa-
cin entre ( )
1
, f y ( )
2
, f como:
( ) ( ) ( ) dx , x f , x f log 8 , J
2 / 1
2
2 / 1
1 2 1 x
1
, dn-
dose la igualdad para todo par de valores
1
,
2
si y slo si T es suficiente para el
parmetro .
La demostracin de estas propiedades puede verse en Akahira y Takeuchi,
(1991).
Ejemplo 2.1: Consideremos el modelo Exponencial de parmetro >0, cuya
funcin de densidad es ( ) 0 x , e , x f
x
>
.
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 369
En este caso, 0 ,
2 1
> , tenemos ( ) ( )
2 1 2 1 2 1
/ 2 , + y por tanto,
( ) ( ) ( )
2 1 2 1 2 1
/ 2 log 8 , J + .
Ejemplo 2.2: Consideremos el modelo ( ) + , 2 / 1 , 2 / 1 U . Dados dos va-
lores
1
y
2
, en este caso obtenemos:
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
+
+
+
2 1
2 1 2 1 2 1
2 1 1 2 1 2
2 1
sop sop si
sop sop y si 1 log 8
sop sop y si 1 log 8
, J
donde ( ) 2 , 1 i , 2 / 1 , 2 / 1 U
i i i
+ . Esta frmula, puede ser resumida en
( )
( )
> +
1 si
1 si 1 log 8
, J
2 1
2 1 2 1
2 1
2.2.3 Relacin entre las Informaciones de Fisher y de Akahira
Como hemos sealado anteriormente, la medida de informacin de Akahira
puede usarse como alternativa a la informacin de Fisher en aquellos modelos en
los que sta no se puede calcular (es decir, en los llamados modelos no regulares).
En el caso de modelos regulares, existe una conexin entre ambas medidas de
informacin reflejada en la siguiente proposicin, cuya demostracin puede verse
en Akahira y Takeuchi (1991).
Proposicin: En los modelos regulares, para h suficientemente pequeo se ve-
rifica:
( ) ( ) ( )
2 2
h o h h , J + +
A partir de la proposicin, podemos establecer inmediatamente el siguiente co-
rolario:
Corolario: En los modelos regulares, se verifica
( )
( )
2
0 h
h
h , J
lim
+
]
]
]
,
,
+
2.
( ) ( ) ( )
]
]
]
]
,
,
,
]
]
]
]
,
,
,
(
,
\
,
(
j
+
2
2
2
2
0 h
, x f log , x f log
1
h
h , J
lim
y por tanto este modelo sera regular, aunque el recorrido dependa del parmetro.
Es muy importante destacar que la propiedad expresada en este corolario, en
esencia, puede encontrarse en el artculo del propio Jeffreys (1946), pg. 455.
Aunque con notaciones muy distintas, y usando dos medidas de informacin dife-
rentes (ambas con el mismo comportamiento local, ante pequeas variaciones en
los parmetros, que la medida usada en el presente trabajo), establece que las
medidas de informacin consideradas son aparentemente las nicas que habi-
tualmente son de segundo orden en la diferencia de los parmetros de las leyes
cuando esta diferencia es pequea. Adems, tambin indica que su propuesta de
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 371
obtencin de la distribucin a priori no siempre es aplicable, poniendo como ejem-
plo el modelo ( ) , 0 U , donde el comportamiento es de primer orden (indica tambin
la excepcin de los modelos con espacio paramtrico discreto, en los cuales no
podemos derivar). Estas observaciones han sido fundamentales para el desarrollo
de la propuesta que nosotros haremos en el epgrafe siguiente.
Nota: Obsrvese cmo la informacin puede calcularse sin problemas en el ca-
so de ms de un parmetro. De hecho, la definicin de informacin puede estable-
cerse de forma ms general usando directamente medidas de probabilidad. En
concreto, en Akahira y Takeuchi (1991), la definicin que se ofrece es:
Dada una variable aleatoria X definida sobre un espacio muestral y P y Q me-
didas absolutamente continuas respecto a una medida -finita , definimos la
cantidad de informacin entre P y Q como:
( )
(
(
,
\
,
,
(
j
(
(
,
\
,
,
(
j
d
d
dQ
d
dP
log 8 Q , P J
2 / 1 2 / 1
La definicin ofrecida inicialmente en este trabajo no es ms que un caso parti-
cular, donde P y Q son las medidas de probabilidad inducidas por las variables
correspondientes a los parmetros
1
,
2
, la medida -finita considerada es la de
Lebesgue y las derivadas respecto a esta medida son las funciones de densidad de
las variables.
3. OBTENCIN DE DISTRIBUCIONES A PRIORI NO INFORMATIVAS
3.1. Eleccin de la distribucin a priori
Tras observar la relacin entre ambas medidas de informacin en los modelos
regulares, nos podemos preguntar qu ocurrira en el caso de considerar un modelo
no regular. Antes de pasar a resultados generales, vamos a ver un ejemplo.
Ejemplo 3.1: Consideremos el modelo ( ) ( ) + , 0 , , 0 U , con funcin de den-
sidad ( )
x 0 , , x f
1
.
Como es conocido, este modelo es no regular, puesto que
( ) ( ) dx , x f 0
1
dx , x f
2
0 h
h
h , J
lim
Es decir, J(,+h) converge a cero cuando h tiende a cero, pero la velocidad de
esta convergencia es inferior a la de h
2
. Sin embargo, podemos comprobar que
dicha convergencia es tan rpida como la de |h|. En efecto, clculos elementales
de lmites nos llevan a:
( ) ( )
+
+
+
/ 4
h
h , J
lim
h
h , J
lim
0 h 0 h
Hemos visto as que en ambos casos (modelo regular y no regular) se tiene
( ) 0 h , J lim
0 h
+
C
h
h , J
lim
k
0 h
donde C() es una funcin que puede ser constante (pero no idnticamente nula ni
infinito).
2. Elegir como distribucin a priori
( )
( )
k / 1
k
0 h
h
h , J
lim
(
(
,
\
,
,
(
j
+
y por tanto, la distribucin a priori sera para este caso ( ) 1 , que coincide con
la distribucin a priori de referencia de Bernardo y Smith (1994) y con la distribu-
cin a priori imparcial de Basulto (1997).
Ejemplo 3.3: Consideremos la familia de modelos
( ) ( ) ( ) ( )
b x a , g , x f
1
374 ESTADSTICA ESPAOLA
donde a() y b() pueden ser constantes, pero suponemos que si no lo son, enton-
ces a() es estrictamente creciente y b() es estrictamente decreciente, siendo
ambas funciones derivables. En este caso, se tendr que ( ) ( ) ( ) 0 a b g y
adems g() es estrictamente decreciente y diferenciable. Sealemos que si supo-
nemos a() estrictamente decreciente y b() estrictamente creciente el desarrollo
del modelo es totalmente anlogo. Esta familia puede verse en Basulto (1997) y en
Kosmas (1990).
Para el caso h>0, la informacin es
( ) ( ) ( ) ( ) + + g log h g log 4 h , J
Por lo tanto, teniendo en cuenta que la funcin g es derivable, vamos a obtener
( ) ( )
+
+
g log
4
h
h , J
lim
0 h
El mismo resultado se tendr para el lmite por la izquierda, con lo que, teniendo
en cuenta que ( ) g es decreciente, la distribucin a priori que tomaremos ser
( )
( )
g log
que coincide con la obtenida a travs de la propuesta de Basulto(1997), y que
adems tiene unas propiedades muy interesantes como veremos posteriormente.
Nota: Puede comprobarse que el resultado es el mismo si consideramos el
modelo ( ) ( ) ( ) ( ) ( ) b x a , g / x c , x f imponiendo las mismas condiciones y
adems que ( ) 0 x c y que exista C(x) primitiva de c(x).
Ejemplo 3.4: Consideremos el modelo de Cauchy uniparamtrico definido por:
( )
( ) ( )
+
, x ,
x 1
1
, x f
2
Dados dos valores del parmetro
1
y
2
, la medida de informacin ( )
2 1
, J no
puede ser obtenida explcitamente, ya que la integral que aparece al aplicar la
definicin no es resoluble en este caso. No obstante, este modelo verifica todas las
propiedades de regularidad especificadas en la seccin 2.1, por lo que, aplicando el
corolario de la proposicin establecida en la seccin 2.2.3., obtendremos que
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 375
( )
( )
+
2
0 h
h
h , J
lim ,
y por tanto la distribucin a priori ser ( ) ( ) . Por otra parte, en este modelo
tendremos:
( )
( )
( )
( )
( ) ( )
( )
2
1
dx , x f
x 1
x 4
x 1
2 , x f log
2
2
2
2 2
2
(
(
,
\
,
,
(
j
+
]
]
]
]
,
,
,
y por tanto, la distribucin a priori sera ( ) 1 .
3.2. Expresin alternativa para la obtencin de la distribucin a priori
En esta seccin vamos a considerar una familia de modelos para los cuales va-
mos a deducir una expresin alternativa de la distribucin a priori, que permite su
clculo con mayor facilidad. Dicha familia de modelos es la que se considera en
Ghosal y Samanta (1997). En este artculo se estudia una familia no regular que
verifica una serie de condiciones y en ella se obtiene un desarrollo asinttico para
la distribucin a posteriori y la distribucin lmite de la misma. La situacin que se
plantea en este trabajo es la que sigue.
Sean
n 1
,..., independientes e idnticamente distribuidas con distribucin
+
. Indiquemos que el modelo de Pareto pertenece a la familia trunca-
da, ya que en este caso la funcin de densidad es ( )
( )
>
+
x , x , x f
1
y as
estamos en la situacin descrita tomando ( )
1
x x g y ( ) ( )
+
dt t g G
x
.
Sealemos tambin que modelos tales como los uniformes en [ ] 2 / 1 , 2 / 1 +
o en [ ] 2 , no estn en esta familia por no ser los soportes ni crecientes ni decre-
cientes en (es decir, dados
2 1
< en general no se verifica ni
( ) ( )
2 1
sop sop ni ( ) ( )
2 1
sop sop ).
Suponiendo las condiciones de regularidad (1), (2) y (3) vamos a establecer una
proposicin anloga a la que se desarrolla en Akahira y Takeuchi (1991) y que va a
servir para asegurar la existencia del lmite y decir cunto vale ste.
Proposicin. Bajo las condiciones sealadas anteriormente, se tiene:
( ) ( )
]
]
]
,
,
+
, x f log
4
h
h , J
lim
0 h
La demostracin puede llevarse a cabo siguiendo un camino similar al desarro-
llado para el caso regular, siendo la diferencia ms significativa que al hacer desa-
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 377
rrollos de Taylor de ( ) , x f log tomaremos orden 1 en vez de orden 2, ya que en el
caso regular se verifica
( ) ( )
( ) 0 dx , x f
, x f log , x f log
]
]
]
,
,
, x f log
Nota: Si mantenemos todas las condiciones anteriores, pero suponiendo ahora
que ( )
1
a es estrictamente decreciente y que ( )
2
a es estrictamente creciente, se
puede repetir toda la demostracin, obtenindose ( ) ( ) [ ] / , x f log . En
definitiva, en la familia de modelos estudiada en Ghosal y Samanta (1997), obtene-
mos como distribucin a priori ( ) ( ) [ ] / , x f log que, evidentemente, ser
una distribucin vlida siempre que dicha esperanza no sea idnticamente nula.
Observemos tambin que en el caso de la familia (2) tratada anteriormente en el
ejemplo 3.3 se tiene
( ) ( ) ( ) ( )
]
]
]
,
,
]
]
]
,
,
g log , x f log g log , x f log
con lo que el resultado obtenido en el ejemplo concuerda con el obtenido a partir de
la proposicin. Puede verse tambin fcilmente que en el modelo ( ) , 0 U ambos
resultados coinciden.
Ejemplo 3.5: Consideremos la familia de localizacin: ( ) ( ) , x f , x f
0
donde ( ) z f
0
es una densidad en el intervalo [ ) + , 0 .
En este caso, al aplicar el resultado obtenido en la proposicin tenemos lo si-
guiente:
( ) ( )
( )
( )
( ) ( ) 0 f dz z f
, x f log
x f
x f , x f log
0
0
'
0
0
'
0
]
]
]
,
+
378 ESTADSTICA ESPAOLA
De esta forma, la distribucin a priori sera ( ) 1 siempre que f
0
(0) 0, en
cuyo caso lo que ocurre es que la convergencia de la informacin es de orden dos,
con lo que tendramos que calcular el lmite dividiendo por h
2
.
3.3. Propiedades de la distribucin a priori propuesta
3.3.1. Invarianza ante reparametrizaciones
La expresin alternativa que hemos propuesto en el epgrafe 3.2 para obtener
nuestra distribucin a priori no informativa conlleva a que, al menos en la familia de
Ghosal y Samanta (1997), la regla de construccin de distribuciones a priori sea
invariante ante reparametrizaciones. En efecto, trivialmente tenemos que:
( )
( ) ( ) ( )
]
]
]
,
,
]
]
]
,
,
]
]
]
,
,
, x f log , x f log , x f log
,
y, en definitiva, se obtiene ( ) ( ) / que es precisamente la propiedad de
invarianza buscada.
3.3.2 Propiedades frecuencialistas de los intervalos Bayesianos
Uno de los argumentos ms usados en la literatura para construir distribucio-
nes a priori no informativas (o para decidir si una determinada distribucin a priori
no informativa es una eleccin buena) es poder calcular con dichas distribuciones
intervalos bayesianos de probabilidad 1- cuyo nivel de confianza, en el sentido de
la estadstica clsica, sea tambin 1- ( o al menos, de forma aproximada).
El primer trabajo que puede considerarse en este sentido es el de Welch y
Peers (1963), en el que se demuestra que en modelos regulares y con un slo
parmetro la distribucin de Jeffreys es la nica que verifica
( ) [ ] ( )
1
n O 1 , S g
+ < donde ( ) , S g es el extremo superior del intervalo
bayesiano unilateral de probabilidad 1- obtenido a partir de una muestra S de la
variable X , es decir, ( ) [ ] < 1 S , S g , o lo que es lo mismo, ( ) , S g es el
percentil de orden 1 de la distribucin a posteriori de dada la muestra S.
En Ghosal (1999), se demuestra que, bajo las condiciones descritas en el ep-
grafe 3.2 para la familia de Ghosal y Samantha (1997), cualquier distribucin a
priori diferenciable lleva a intervalos unilaterales con probabilidad de cubrimiento en
sentido frecuencialista ( )
1
n O 1
+ ; sin embargo, tambin se establece en dicho
artculo que la nica distribucin a priori que verifica que los intervalos bayesianos
unilaterales de probabilidad 1 tienen probabilidad de cubrimiento ( )
2
n O 1
+ ,
es la obtenida segn nuestra propuesta.
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 379
Hagamos notar que en esta situacin no es aconsejable trabajar con intervalos
bilaterales, ya que tanto la distribucin a posteriori como la distribucin muestral de
1 1
d h . Para el caso que nos ocupa, es decir, la bsqueda de distri-
buciones a priori, la ltima condicin de integrabilidad puede obviarse, ya que las
densidades a priori pueden ser, y de hecho son muy a menudo, impropias (Arnold y
otros, pg. 133).
Pensamos que la posible generalizacin al caso multidimensional de nuestra
propuesta debe basarse en esta ltima va de construir la distribucin a partir de
ciertas marginales o condicionadas, aunque es todava un tema abierto y que ser
objeto de trabajos futuros.
5. CONCLUSIONES
Acudiendo a los trabajos e ideas originales de Jeffreys, hemos propuesto un
procedimiento para obtener distribuciones a priori no informativas, aplicable tanto a
modelos regulares como no regulares. Puesto que si el modelo es regular, nuestra
distribucin a priori coincide con la que se obtiene a travs de la regla de Jeffreys,
puede entenderse que nuestra propuesta es una generalizacin de la misma.
La medida de Informacin usada por Akahira y Takeuchi (1991), se revela su-
mamente interesante, pues reproduce las propiedades de la Informacin de Fisher.
Como hemos comprobado, la distribucin a priori propuesta muestra buen com-
portamiento en lo que se refiere a la propiedad de invarianza ante reparametriza-
ciones. Asimismo, vemos que los intervalos bayesianos obtenidos, tienen buen
comportamiento frecuencialista.
382 ESTADSTICA ESPAOLA
Es importante resaltar que, cuando en el modelo no existe un estadstico sufi-
ciente de la misma dimensin que el espacio paramtrico, los intervalos bayesianos
coinciden con los obtenidos a travs del Principio de Condicionar de Fisher y no
con los intervalos clsicos no condicionados. Aunque esta ltima propiedad slo se
ha comentado en el presente trabajo para el modelo ( ) ( ) , x f , x f
0
hemos podido comprobar que se repite en ms casos.
REFERENCIAS
AKAHIRA, M. and TAKEUCHI, K. (1991), A Definition of Information Amount Applica-
ble to Non-Regular Cases, Journal of Computing and Information, 2, 71-92.
ARNOLD, B.C., CASTILLO, E. and SARABIA, J.M. (1999), Conditional Specification of
Statistical Models, Springer Series in Statistics, Springer-Verlag, New York.
AZZALINI, A. (1996), Statistical Inference Based on the Likelihood, Chapman and
Hall, London.
BASULTO, J. (1997), Funciones a Priori Imparciales Unidimensionales, Estadstica
Espaola, 39, n 142, 99-128.
BERNARDO, J.M. and SMITH, A.F.M. (1994), Bayesian Theory, John Wiley and
Sons, Chichester.
COX, D.R. and REID, N. (1987), Parameter Ortogonality and Approximate Condi-
tional Inference, J. Roy. Statist. Soc., Ser. B, 49, 1-39.
GHOSAL, S. (1999), Probability Matching Priors for Non-Regular Cases, Biome-
trika, 86, n 4, 956-964.
GHOSAL, S. and SAMANTA, T. (1997), Asymptotic Expansions of Posterior Distribu-
tions in Non-Regular Cases, Ann. Inst. Statist. Math., 49, n 1, 181-197.
GHOSAL, S., GHOSH, J.K. and SAMANTA, T. (1995), On Convergence of Posterior
Distributions, Ann. Statist., 23, 2145-2152.
GHOSH, J.K., GHOSAL, S. and SAMANTA, T. (1994), Stability and Convergence of
Posterior in Non-Regular Problems, Statistical Decision Theory and Related
Topics V, (eds. SS. Gupta and J.O. Berger), 183-199, Springer, New-York.
JEFFREYS, H. (1946), An Invariant Form for the Prior Probability in Estimation
Problems, Proc. Roy. Soc. (London), Ser. A, 186, 453-461.
JEFFREYS, H. (1961), Theory of Probability, 3
rd
. edition, Oxford University Press,
London.
DISTRIBUCIONES A PRIORI UNIDIMENSIOANALES EN MODELOS NO REGULARES: MEDIDAS DE INFORMACIN 383
KOSMAS, K.F. (1990), Shortest Confidence Intervals for Families of Distributions
Involving Truncation Parameters, The American Statician, 44, 167-168.
MATUSITA, K. (1955), Decisin Rules Based on the Distance for Problems of Fit,
two Samples and Estimation, Ann. Math. Statist., 26, 631-640.
PITMAN, E.J. (1979), Some Basic Theory for Statistical Inference, Chapman and
Hall, London.
WELCH, B.L. and PEERS, H.W. (1963), On Formulae for Confidence Points Based
on Integral of Weithed Likelihoods, J.R. Statist. Soc., Ser. B, 25, 318-329.
ONE-PARAMETER PRIOR DISTRIBUTIONS FOR NON-REGULAR
MODELS: AMOUNTS OF INFORMATION
SUMMARY
From the Information Measure of Akahira and Takeuchi (1991),
that it generalizes the Fisher Information to non-regular models, an
extension of the Jeffreys Rule sets out, that allows to obtain noninfor-
mative prior distributions in non-regular cases.
Key words: Amount of Information, Fisher Information, Regular model,
Noninformative prior distribution, Jeffreys Rule
AMS classificcation: 62F15, 62A15, 62B10