Minimax Multiple Shrinkage Estimation
极小极大多重收缩估计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：摘要研究一般正态均值的收缩决策理论，没有所列计量领域细分的直接依据。
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
极小极大多重收缩估计
- 研究问题
- 估计多元正态均值时，若模糊或冲突的先验信息支持多个收缩目标，如何用数据选择收缩行为并保持极小极大性？
- 方法与思路
- 作者提出多重收缩估计量，用数据模仿候选估计量中有效者的行为，构造无偏风险估计并给出极小极大充分条件。
- 材料陈述的贡献
- 摘要称，该构造与混合先验的后验均值相联系，并可形成向多个点或子空间自适应收缩的极小极大Stein估计。
- 阅读关注点
- 应核对候选估计量类别、数据驱动组合规则、风险模仿的具体含义，以及极小极大条件与混合先验联系。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；结论针对多元正态均值与平方误差损失，不能推广到任意模型或损失。
原文摘要
For the canonical problem of estimating a multivariate normal mean under squared-error-loss, this article addresses the problem of selecting a minimax shrinkage estimator when vague or conflicting prior information suggests that more than one estimator from a broad class might be effective. For this situation a new class of alternative estimators, called multiple shrinkage estimators, is proposed. These estimators use the data to emulate the behavior and risk properties of the most effective estimator under consideration. Unbiased estimates of risk and sufficient conditions for minimaxity are provided. Bayesian motivations link this construction to posterior means of mixture priors. To illustrate the theory, minimax multiple shrinkage Stein estimators are constructed which can adaptively shrink the data towards any number of points or subspaces.