Optimal linear estimators: an empirical Bayes version with application to the binomial distribution
最优线性估计量的经验贝叶斯版本及其二项分布应用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：摘要讨论一般经验贝叶斯与二项参数估计，二项分布本身不足以支持离散选择领域分类。
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…
最优线性估计量的经验贝叶斯版本及其二项分布应用
- 研究问题
- 当某些条件分布下无法构造随历史数据增加而收敛到后验均值的经验贝叶斯估计时，能否转用最优线性估计？
- 方法与思路
- 作者利用先验前两阶矩构造最优线性估计量，再以历史数据估计这些矩，并在二项条件分布设定下进行模拟。
- 材料陈述的贡献
- 摘要称相关先验矩通常可以估计，二项分布模拟中所得估计量的风险明显小于最大似然估计，但未给出数值。
- 阅读关注点
- 应核对无法逼近后验均值的具体情形、线性最优性的损失与比较类，以及先验矩估计和模拟设计对风险结果的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明先验、风险定义或模拟参数，不能将模拟优势解释为一致风险支配。
原文摘要
An empirical Bayes estimator is one which estimates the posterior mean by making use of past data. For certain conditional distributions though, no empirical Bayes estimator can be found which converges to the posterior mean as past data are accumulated. However, an optimal linear estimator for a parameter, say θ1 can often be found. This optimal linear estimator depends upon the first two prior moments, both of which can often be estimated. The resulting estimator has been simulated under the assumption that the conditional distribution is binomial and these simulations have shown its risk substantially smaller than the risk of the maximum likelihood estimator.