The Variational Form of Certain Bayes Estimators
某些贝叶斯估计量的变分形式AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论贝叶斯估计量的变分表示与协方差矩阵估计，属于理论计量与统计决策内容，未涉及所给微观、宏观或金融领域细分的具体主题，故不选择任何细分领域。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
某些贝叶斯估计量的变分形式
- 研究问题
- 摘要称，本文研究参数矩阵的形式贝叶斯估计量的一般表示问题，并在先验分布仅具有某种对称性、其余未加设定的条件下，如何得到具有良好频率性质的估计量。
- 方法与思路
- 作者提出用变分技术在序约束下最小化形式贝叶斯风险，从而得到所谓“贝叶斯估计量的变分形式”（VFBE）；并将其用于多元正态分布的均值向量与协方差矩阵，以及对若干 Pearson 均值给出 VFBE。
- 材料陈述的贡献
- 摘要称，该表示可用于构造相对常用估计量具有良好频率性质的估计量；在协方差矩阵估计中，约束优化得到的估计量特征值顺序正确、扭曲小于样本协方差矩阵，且与 Stein 的估计量相关，处理序关系更自然、更依赖准则、更易计算，初步蒙特卡洛模拟显示风险性质更好。
- 阅读关注点
- 阅读全文时应核对：先验“对称”的具体含义与序约束的设定、变分表示成立的识别条件与正则性假设、频率性质与风险比较所依据的损失函数、蒙特卡洛设计及与 Stein 估计量的比较细节。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明细节、模拟规模与结论稳健性；摘要未说明所涉数据来源与具体数值结果。来源版本未注明，且 OpenAlex 索引摘要可能对应预印本或较早版本，不能据此声称已经同行评审或期刊接收。
原文摘要
A general representation is obtained for the formal Bayes estimator of a parameter matrix. We assume that the prior distribution is symmetric in some sense, but it is not specified otherwise. The formal Bayes risk is minimized subject to order constraints by a variational technique; hence our representation is called "the variational form of the Bayes estimator" (VFBE). The VFBE is used to obtain estimators that have good frequency properties relative to the usual estimators. Such estimators are obtained for the mean vector and covariance matrix of a multivariate normal distribution. Also, for possibly nonnormal data, we give the VFBE of several Pearson means. A certain emphasis is placed on the problem of estimating the covariance matrix. For that problem, our constrained optimization provides an estimator with very good properties: Its eigenvalues are in the proper order, and they are not as distorted as those in the sample covariance matrix. The VFBE for the covariance matrix is related to an estimator of Stein. Of the two, the VFBE deals with order relations in a more natural way; that is, it is more criterion dependent. In addition, it is easier to compute than Stein's estimator, and a brief Monte Carlo simulation indicates that it has better risk properties as well.