Global-local shrinkage priors for modeling random effects in multivariate spatial small area estimation
多元空间小区域估计中随机效应的全局—局部收缩先验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：摘要聚焦调查统计中的空间小区域估计，空间相关性本身不足以归入网络、面板或其他所列方向。
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…
多元空间小区域估计中随机效应的全局—局部收缩先验
- 研究问题
- 如何在多元小区域估计中结合变量间相关性与空间依赖，同时对随机效应各分量自适应收缩，避免强信号区域被过度收缩？
- 方法与思路
- 作者扩展多元Fay–Herriot模型，以夹心混合表示构造全局—局部先验，对随机效应分量分别正则化，并加入空间依赖。
- 材料陈述的贡献
- 摘要称该构造提升稳健性、减少强信号区域的过度收缩，并利用跨变量与空间关联改善估计效率，以模拟和调查数据展示用途。
- 阅读关注点
- 应核对混合先验与空间结构、全局和局部收缩参数、调查抽样误差处理，以及模拟基准、强信号配置和效率评价指标。
- 阅读边界
- 材料为arXiv预印本v2，不能据此声称已同行评审或期刊接收；摘要未说明稳健性与效率改善的具体条件、数值或刊本变化。
原文摘要
Small area estimation (SAE) plays a central role in survey statistics and epidemiology, providing reliable estimates for domains with limited sample sizes. The multivariate Fay-Herriot model has been extensively used for this purpose, because it enhances estimation accuracy by borrowing strength across multiple correlated variables. In this paper, we develop a Bayesian extension of the multivariate Fay-Herriot model that enables flexible, component-specific shrinkage of the random effects. The proposed approach employs global-local priors formulated through a sandwich mixture representation, allowing adaptive regularization of each element of the random-effect vectors. This construction yields greater robustness and prevents excessive shrinkage in areas exhibiting strong underlying signals. In addition, we incorporate spatial dependence into the model to account for geographical correlation across small areas. The resulting spatial multivariate framework simultaneously exploits cross-variable relationships and spatial structure, yielding improved estimation efficiency. The utility of the proposed method is demonstrated through simulation studies and an empirical application to real survey data.