Selecting a Minimax Estimator of a Multivariate Normal Mean
多元正态均值最小最大估计量的选择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：摘要属于多元正态均值的统计决策理论，未给出所列计量经济学细分领域的直接依据。
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
多元正态均值最小最大估计量的选择
- 研究问题
- 在至少三维正态均值的二次损失估计中，如何选择风险改善显著的参数区域，并让最小最大估计反映已有先验判断？
- 方法与思路
- 作者构造一种相对简单的最小最大估计量，让使用者选择相对最大似然估计显著改善的区域，并从贝叶斯角度分析。
- 材料陈述的贡献
- 摘要称一致降低风险的估计仅在较小参数区域显著改善，并提出可选择改善区域的最小最大估计及相应贝叶斯分析。
- 阅读关注点
- 应核对正态模型和协方差设定、二次损失矩阵、改善区域的参数化方式，以及最小最大保证与贝叶斯解释的关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；“显著改善”的定量标准、区域大小与构造条件未说明，不能解释为全参数空间的大幅改善。
原文摘要
The problem of estimating a $p$-variate normal mean under arbitrary quadratic loss when $p \geq 3$ is considered. Any estimator having uniformly smaller risk than the maximum likelihood estimator $\delta^0$ will have significantly smaller risk only in a fairly small region of the parameter space. A relatively simple minimax estimator is developed which allows the user to select the region in which significant improvement over $\delta^0$ is to be achieved. Since the desired region of improvement should probably be chosen to coincide with prior beliefs concerning the whereabouts of the normal mean, the estimator is also analyzed from a Bayesian viewpoint.