Empirical Bayesball Remixed: Empirical Bayes Methods for Longitudinal Data
经验贝叶斯棒球再论：纵向数据的经验贝叶斯方法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：摘要以纵向数据的复合决策与球员多年表现为对象，并估计个体位置、尺度异质性，直接对应面板数据方法。
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
经验贝叶斯棒球再论：纵向数据的经验贝叶斯方法
- 研究问题
- 在纵向数据的高斯与二项复合决策问题中，如何灵活刻画个体异质性，并改善棒球打击率及随年龄变化表现的预测？
- 方法与思路
- 作者利用 Kiefer–Wolfowitz 非参数极大似然估计的凸优化表述构造经验贝叶斯规则，并允许球员位置与尺度效应具有一般二元分布。
- 材料陈述的贡献
- 摘要称，利用此前十年表现预测 2012 年打击率时，该方法优于限制异质性的朴素方法，并与狄利克雷过程先验方法比较。
- 阅读关注点
- 核对纵向依赖与年龄效应的建模方式、二元混合分布的估计，以及预测评价指标、样本划分和比较方法的调参。
- 阅读边界
- 摘要未给出预测误差数值、比较方法细节或改进的不确定性；位置与尺度的弱正相关及预测优势仅是该应用中的作者报告。
原文摘要
Summary Empirical Bayes methods for Gaussian and binomial compound decision problems involving longitudinal data are considered. A recent convex optimization reformulation of the nonparametric maximum likelihood estimator of Kiefer and Wolfowitz ( Annals of Mathematical Statistics 1956; 27 : 887–906) is employed to construct nonparametric Bayes rules for compound decisions. The methods are illustrated with an application to predict baseball batting averages, and the age profile of batting performance. An important aspect of the empirical application is the general bivariate specification of the distribution of heterogeneous location and scale effects for players that exhibits a weak positive association between location and scale attributes. Prediction of players' batting averages for 2012 based on performance in the prior decade using the proposed methods shows substantially improved performance over more naive methods with more restrictive treatment of unobserved heterogeneity. Comparisons are also made with nonparametric Bayesian methods based on Dirichlet process priors, which can be viewed as a regularized, or smoothed, version of the Kiefer–Wolfowitz method. Copyright © 2016 John Wiley & Sons, Ltd.