ε asymptotic optimality of empirical Bayes estimators
经验贝叶斯估计量的 ε 渐近最优性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：摘要研究一般经验贝叶斯决策理论，未提供所列经济金融细分方向的直接证据。
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
经验贝叶斯估计量的 ε 渐近最优性
- 研究问题
- 当经验贝叶斯渐近最优性所用的损失有界条件不成立，例如平方误差损失情形，能否以更弱条件获得可用结果？
- 方法与思路
- 作者放宽既有理论对损失函数在参数上有界的要求，转而证明较弱的 ε 渐近最优性，并讨论其与通常最优性的关系。
- 材料陈述的贡献
- 摘要称在更弱条件下建立 ε 渐近最优性，并称该性质在实际情形中等价于渐近最优性；具体情形未在摘要中展开。
- 阅读关注点
- 应核对 ε 渐近最优性的定义、风险比较基准、放宽后的条件，以及作者所称实际情形中的等价关系和适用范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；ε 的作用、条件和等价情形未提供，不能据此断言任意无界损失均适用。
原文摘要
Robbins (1964) gives conditions under which empirical Beyes estimators are asymptotically optimal. The conditions require the loss function to be bounded in the parameter. This does not hold in some important situations including the squared error loss. Here we give weaker conditions and prove a weaker result, ε asymptotic optimality, which is equivalent to asymptotic optimality in practical situations.