Empirical Bayes estimators in a multiple linear regression model
多元线性回归模型中的经验贝叶斯估计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：摘要讨论线性回归中的经验贝叶斯估计与跨独立实验的信息利用，未出现给定领域的专门研究对象，故不作细分归类。
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
多元线性回归模型中的经验贝叶斯估计
- 研究问题
- 在一般线性回归中，能否利用类似独立实验的补充信息，避免精确指定参数先验，并改善相对于最大似然估计的均方误差？
- 方法与思路
- 作者构造经验贝叶斯参数估计量，以汇总指标表达典型实验的信息，再通过蒙特卡洛模拟比较其与最大似然估计的均方误差。
- 材料陈述的贡献
- 摘要称提出了无需精确掌握先验分布的估计方法与信息汇总指标，并以模拟考察均方误差改善，重点讨论非正交回归。
- 阅读关注点
- 应核对类似实验之间共享哪些参数分布结构、补充信息如何进入估计，以及非正交设计下模拟比较的风险定义和适用范围。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本。摘要未报告均方误差改善幅度，也未声明统一风险占优，不能推断所有先验和设计下均优于最大似然。
原文摘要
Empirical Bayes estimators for the parameters in the general linear regression model are presented. These estimators by-pass exact knowledge of the prior distribution of the parameters by means of supplementary information from similar independent experiments. Indexing quantities are obtainned which summarize the information containe in a typical experimental situation, an Monte Carlo simulation is employed to determine the degree of mean square improvement of empirical Bayes estimators over maximum likelihood. Particular emphasis is given to the simple non-orthogonal linear regression model.