Artificially Augmented Samples, Shrinkage, and Mean Squared Error Reduction*
人工增广样本、收缩与均方误差降低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：摘要讨论通用收缩与风险比较，方差和协方差估计本身不足以归入金融波动率等细分。
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
人工增广样本、收缩与均方误差降低
- 研究问题
- 何时收缩可以降低无偏估计量的均方误差，人工增广样本又如何产生总体方差、协方差及刀切法的替代估计？
- 方法与思路
- 作者给出判断收缩是否降低均方误差的不等式，再利用人工增广样本构造收缩估计，以及与通常刀切法互补的替代估计。
- 材料陈述的贡献
- 摘要称，所构造的方差与协方差收缩估计，在全部参数值及边际二阶矩有限的所述模型范围内，改进相应无偏估计。
- 阅读关注点
- 应核对增广样本的构造、收缩规则与比较基准，尤其检查风险计算、矩条件及摘要所称全参数改进的准确含义。
- 阅读边界
- 所给索引摘要未注明版本，未给出不等式和风险计算；需核对仅有有限二阶矩时均方误差的定义及改进结论的适用方式。
原文摘要
An inequality is provided that determines when shrinkage reduces the mean squared error (MSE) of an unbiased estimate. Artificially augmented samples are then used to obtain, among others, shrinkage estimates of the population's variance and covariance, which improve the unbiased estimates for all parameter values and for all probability models with marginals having finite second moments, and alternative jackknife estimates that complement the usual jackknife estimates in reducing the MSE.