Empirical Bayes Confidence Intervals Shrinking Both Means and Variances
同时收缩均值与方差的经验贝叶斯置信区间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：摘要讨论一般多均值推断与方差收缩，未提供面板、因子模型或其他所列应用方向的明确依据。
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
同时收缩均值与方差的经验贝叶斯置信区间
- 研究问题
- 当需要同时估计大量均值且各自方差不等、未知时，如何利用跨对象信息构造覆盖率和平均长度表现更好的区间？
- 方法与思路
- 作者基于同时收缩均值与方差的经验贝叶斯估计构造双重收缩区间，并通过解析研究、模拟和真实数据应用进行比较。
- 材料陈述的贡献
- 摘要称相较t区间，所提区间覆盖概率更高、平均长度更短，并报告与仅收缩均值或仅收缩方差区间的长度关系。
- 阅读关注点
- 应核对经验贝叶斯模型与超参数估计、覆盖率的评价口径，以及长度比较究竟是平均性质还是逐个区间的保证。
- 阅读边界
- 仅据所给Crossref摘要；覆盖概率提高不等于达到名义覆盖率，摘要未说明同时覆盖保证、具体条件及数值结果。
原文摘要
Summary We construct empirical Bayes intervals for a large number p of means. The existing intervals in the literature assume that variances σi2 are either equal or unequal but known. When the variances are unequal and unknown, the suggestion is typically to replace them by unbiased estimators Si2. However, when p is large, there would be advantage in ‘borrowing strength’ from each other. We derive double-shrinkage intervals for means on the basis of our empirical Bayes estimators that shrink both the means and the variances. Analytical and simulation studies and application to a real data set show that, compared with the t-intervals, our intervals have higher coverage probabilities while yielding shorter lengths on average. The double-shrinkage intervals are on average shorter than the intervals from shrinking the means alone and are always no longer than the intervals from shrinking the variances alone. Also, the intervals are explicitly defined and can be computed immediately.