Risk-Reducing Shrinkage Estimation for Generalized Linear Models
广义线性模型中降低估计风险的收缩估计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：摘要属于通用收缩估计理论，未明确对应所列微观、宏观或金融细分。
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
广义线性模型中降低估计风险的收缩估计
- 研究问题
- 如何将正态理论中的经验贝叶斯收缩方法推广到广义线性模型，并通过先验设计保留降低估计风险的目标？
- 方法与思路
- 作者提出两类通用先验，为 Jeffreys 等无信息先验补充风险降低机制，其中一类由渐近风险核心部分的优化导出。
- 材料陈述的贡献
- 摘要称该研究给出适用于广义线性模型的收缩先验构造，并通过数值探索及已有数据集应用评估其表现。
- 阅读关注点
- 应核对风险与损失函数的定义、两类先验的形式、渐近优化对应的条件，以及数值评估中的比较对象和适用模型。
- 阅读边界
- 仅据所给 Crossref 摘要；风险降低的具体条件、有限样本保证及数值幅度未说明，不能据此认定普遍优于其他估计。
原文摘要
Summary Empirical Bayes techniques for normal theory shrinkage estimation are extended to generalized linear models in a manner retaining the original spirit of shrinkage estimation, which is to reduce risk. The investigation identifies two classes of simple, all-purpose prior distributions, which supplement such non-informative priors as Jeffreys's prior with mechanisms for risk reduction. One new class of priors is motivated as optimizers of a core component of asymptotic risk. The methodology is evaluated in a numerical exploration and application to an existing data set.