Empirical Bayes When Estimation Precision Predicts Parameters
估计精度能够预测参数时的经验贝叶斯方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主要讨论一般经验贝叶斯中的参数与精度依赖及决策遗憾，地区筛选应用不足以确定面板或因果等细分领域。
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
估计精度能够预测参数时的经验贝叶斯方法
- 研究问题
- 当待估参数与已知标准误相关，传统高斯经验贝叶斯的精度独立假设不成立时，应如何构造收缩与后续决策方法？
- 方法与思路
- 作者将给定标准误的参数条件分布建模为灵活参数化的位置—尺度族，构成 CLOSE 方法族，并分析其中灵活成员的决策遗憾。
- 材料陈述的贡献
- 摘要称，CLOSE 统一并推广了若干允许精度依赖的方法，具有计算便利性和有竞争力的决策遗憾，并改善高流动性人口普查区筛选。
- 阅读关注点
- 应核对位置—尺度限制、标准误已知的处理、分布估计与调参方式，以及遗憾的比较对象和地区筛选收益的评价设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未给出遗憾界条件及应用增益数值，不能确认该默认方案在其他决策中占优。
原文摘要
Gaussian empirical Bayes methods usually maintain a precision independence assumption: The unknown parameters of interest are independent from the known standard errors of the estimates. This assumption is often theoretically questionable and empirically rejected. This paper proposes to model the conditional distribution of the parameter given the standard errors as a flexibly parametrized location-scale family of distributions, leading to a family of methods that we call CLOSE. The CLOSE framework unifies and generalizes several proposals under precision dependence. We argue that the most flexible member of the CLOSE family is a minimalist and computationally efficient default for accounting for precision dependence. We analyze this method and show that it is competitive in terms of the regret of subsequent decisions rules. Empirically, using CLOSE leads to sizable gains for selecting high-mobility Census tracts.