An Empirical Bayes Approach to Multiple Linear Regression
多元线性回归的经验贝叶斯方法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：摘要是通用回归决策与经验贝叶斯理论，未给出所列领域的专门模型或应用。
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
多元线性回归的经验贝叶斯方法
- 研究问题
- 在回归误差仅满足零均值和同方差协方差结构、系数服从未知先验时，如何在二次损失下构造受限最小最大估计？
- 方法与思路
- 作者按指定矩相同对先验分布分组，在各等价类上研究受限最小最大解，并构造经典经验贝叶斯意义下的渐近最优估计。
- 材料陈述的贡献
- 摘要称给出受限最小最大解及受限渐近最优估计，其贝叶斯风险在各分量阶段趋于相应受限最小最大决策的风险。
- 阅读关注点
- 应核对固定哪些先验矩、受限风险类的定义、经验贝叶斯信息的取得方式，以及逐阶段风险收敛所需的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；先验矩与渐近框架未完整说明，不能将受限最优性解释为对所有先验和回归模型最优。
原文摘要
We consider estimation (subject to quadratic loss) of the vector of coefficients of a multiple linear regression model in which the error vector is assumed to have 0 mean and covariance matrix $\sigma^2 I$ but is not assumed to take on a specific parametric form, e.g., Normal. The vector of coefficients is taken to be randomly distributed according to some unknown prior. Restricted minimax solutions are exhibited relative to equivalence classes on the space of all prior probability distributions which group distributions with the same specified moments. In the context of the classic Empirical Bayes formulation, we determine restricted asymptotically optimal estimators--i.e., decision functions whose Bayes risks converge to the risk of the restricted minimax decision at each component stage.