Hierarchical Bayes versus empirical Bayes density predictors under general divergence loss
一般散度损失下的层级贝叶斯与经验贝叶斯预测密度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：摘要研究一般正态模型下的预测密度与决策风险，未涉及宏观预测、收益预测或金融风险，因此不强行分类。
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…
关注这篇论文的作者
一般散度损失下的层级贝叶斯与经验贝叶斯预测密度
- 研究问题
- 在均值未知、方差已知的多元正态模型中，一般散度损失下层级贝叶斯与经验贝叶斯预测密度的频率风险如何比较？
- 方法与思路
- 作者构造两类均值先验对应的预测分布，比较其协方差与频率风险，并进一步考察混合线性模型中的预测最优性。
- 材料陈述的贡献
- 摘要称，在所设模型与损失下，层级贝叶斯预测密度具有一致较小的风险，相关最佳线性无偏预测最优性也得以保留。
- 阅读关注点
- 应核对一般散度损失的范围、先验与回归结构、风险支配所需条件，以及混合模型最优性结论的准确含义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体条件未展开，风险优势不能推广到任意先验、未知方差或非正态模型。
原文摘要
Consider the problem of finding a predictive density of a new observation drawn independently of observations sampled from a multivariate normal distribution with the same unknown mean vector and the same known variance under general divergence loss. In this paper, we consider two kinds of prior distribution for the mean vector: one is a multivariate normal distribution with mean based on unknown regression coefficients, and the other further assumes that the regression coefficients have uniform prior distributions. The two kinds of prior distribution provide, respectively, the empirical Bayes and hierarchical Bayes predictive distributions. Both predictive distributions have the same mean, but they have different covariance matrices, with the hierarchical Bayes predictive distribution having a larger covariance matrix. We compare the two Bayesian predictive densities in terms of their frequentist risks under the general divergence loss and show that the hierarchical Bayes predictive density has a uniformly smaller risk than the empirical Bayes predictive density. As an offshoot of our result, we show that best linear unbiased predictors in mixed linear models, optimal under normality and squared error loss, maintain their optimality under the general divergence loss.