Empirical Bayes on vector observations: An extension of Stein's method
向量观测的经验贝叶斯估计：Stein 方法的扩展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：摘要研究一般正态线性模型的经验贝叶斯估计，未提供面板、因子或结构估计的直接依据。
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
向量观测的经验贝叶斯估计：Stein 方法的扩展
- 研究问题
- 面对多个结构相同且相互独立的正态线性模型，如何联合估计各模型的参数向量，以改善总平方误差损失下的表现？
- 方法与思路
- 作者在多个独立正态线性模型中构造 Stein 方法的经验贝叶斯扩展，并考察参数向量具有正态先验时的效率。
- 材料陈述的贡献
- 摘要称所构造估计量在总平方误差损失下支配通常的 Gauss–Markov 估计量，并给出正态先验分析和实际例子。
- 阅读关注点
- 应核对支配结论所需的模型维度、方差与结构条件，收缩估计的具体形式，以及贝叶斯效率和总损失的定义。
- 阅读边界
- 仅据版本未注明的索引摘要；摘要未说明支配结论的完整条件或实例数据，不能推断各参数分别受益或其他损失下有效。
原文摘要
The statistician is considering several independent normal linear models with identical structures, and desires to estimate the vector of unknown parameters in each of them. An estimator is constructed which dominates the usual Gauss-Markov estimator in terms of total squared error loss. This estimator is shown to have good efficiency in the Bayesian situation where the parameter vectors themselves have a normal prior distribution. A practical example is given.