Empirical Bayes Estimators in a Multiple Linear Regression Model
多元线性回归模型中的经验贝叶斯估计量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：摘要研究一般回归参数的经验贝叶斯估计，没有所列经济计量细分模型或应用的明确证据。
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
多元线性回归模型中的经验贝叶斯估计量
- 研究问题
- 在一般线性回归中，如何借助类似独立实验的补充信息，避免精确知道参数先验分布，并评估经验贝叶斯估计的均方误差？
- 方法与思路
- 作者构造利用相似独立实验信息的经验贝叶斯估计量，提出信息汇总指标，并用蒙特卡洛模拟与极大似然估计比较。
- 材料陈述的贡献
- 摘要提供一般线性回归参数的经验贝叶斯估计与信息汇总方式，重点考察简单非正交回归，并通过模拟衡量均方误差改善。
- 阅读关注点
- 核对补充实验与目标实验之间的可比性、信息汇总指标及先验估计方式，并检查模拟中均方误差改善的条件与范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出模拟数值或统一风险结论，不能推断经验贝叶斯估计总是更优。
原文摘要
Empirical Bayes estimators for the parameters in the general linear regression model are presented. These estimators by-pass exact knowledge of the prior distribution of the parameters by means of supplementary information from similar independent experiments. Indexing quantities are obtainned which summarize the information containe in a typical experimental situation, an Monte Carlo simulation is employed to determine the degree of mean square improvement of empirical Bayes estimators over maximum likelihood. Particular emphasis is given to the simple non-orthogonal linear regression model.