Approximate Minimax Estimation of a Bounded Normal Mean via Stochastic Mirror Ascent
用随机镜像上升近似极小极大估计有界正态均值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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：核心方法属于一般统计决策理论，但摘要明确将其用于聚合局部投影与 VAR 的脉冲响应估计，支持该应用方向分类。
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…
用随机镜像上升近似极小极大估计有界正态均值
- 研究问题
- 如何以可承受的计算量获得有界正态均值问题的近似极小极大估计，并用于整合局部投影与 VAR 的信息？
- 方法与思路
- 作者用随机镜像上升求近似最不利分布，再构造对应的贝叶斯估计量，并将其用于脉冲响应系数的信息聚合。
- 材料陈述的贡献
- 摘要称分布和估计量均接近各自目标；模拟显示相对极小极大线性估计的风险改善，并展示脉冲响应估计应用。
- 阅读关注点
- 应核对近似误差采用的度量、算法收敛与计算要求，以及脉冲响应聚合问题如何映射为有界正态均值问题。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出近似保证的具体条件，模拟改善不能普遍外推。
原文摘要
This paper presents a computational approach to find an approximately minimax estimator for the classical Bounded Normal Mean problem. The suggested procedure is the Bayes estimator corresponding to an approximately least-favorable distribution obtained from a stochastic mirror ascent routine for concave maximization. The paper shows that both the approximately least-favorable distribution and the approximately minimax estimator are indeed close (in a sense we make precise) to their desired targets. Simulation evidence suggests that the approximately minimax estimator can yield, with a reasonable amount of compute, risk improvements from 6% to almost 18% relative to the minimax linear estimator (which is known to admit a maximal improvement of 20%). The approximately minimax estimator is then applied to the problem of how to best aggregate the information contained in local projections and vector autoregressions to estimate an impulse response coefficient.