An empirical Bayes approach to polynomial regression under order restrictions
次序约束下多项式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：摘要属于通用回归与经验贝叶斯估计，未提供给定细分领域的直接应用依据。
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
次序约束下多项式回归的经验贝叶斯方法
- 研究问题
- 如何从有限区间内的独立正态观测估计未知多项式，并利用高次项系数绝对值较小的先验认识改善拟合和阶数判断？
- 方法与思路
- 作者对多项式系数设置表达绝对值随次数下降的先验，以数据估计先验参数，并通过蒙特卡洛实验与失拟检验程序比较。
- 材料陈述的贡献
- 摘要称，所提经验贝叶斯方法在模拟中表现良好，既能降低平方误差损失，也能较好地识别被估计多项式的正确次数。
- 阅读关注点
- 应核对系数次序约束如何进入先验、超参数如何估计，以及模拟中的真实多项式、噪声设置、阶数选择规则和比较程序。
- 阅读边界
- 所给OpenAlex索引摘要未注明稿件版本；性能陈述来自给定模拟，先验适用范围、误差数值和一般性保证未说明。
原文摘要
An unknown polynomial is to be estimated over a finite interval from N independent, normally distributed observations. A prior distribution is placed on the polynomial coefficients expressing the opinion that the coefficients decrease in absolute value as the degree of the corresponding terms increase. The data are used to estimate the parameters in the prior distribution of the coefficients. A Monte Carlo study is presented which compares the proposed method with the lack-of-fit procedure. This study indicates that the proposed method performs well in terms of minimizing a squared error loss as well as in yielding the correct degree of the polynomial being estimated.