Improved minimax predictive densities under Kullback–Leibler loss
Kullback–Leibler 损失下改进的极小极大预测密度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：摘要研究独立正态向量的通用预测密度决策问题，未涉及宏观序列预测或金融收益预测。
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
Kullback–Leibler 损失下改进的极小极大预测密度
- 研究问题
- 只观测一个正态向量时，如何预测与其共享未知均值的独立正态向量，并在期望 KL 损失下改进基准预测密度？
- 方法与思路
- 作者以均匀先验的贝叶斯预测密度为基准，研究先验诱导的边际密度或其平方根满足超调和条件时的风险性质。
- 材料陈述的贡献
- 摘要称，上述条件可保证预测密度的极小极大性，并产生支配均匀先验基准的广泛程序，同时比较其与均值估计理论的关系。
- 阅读关注点
- 应核对超调和条件作用于何种边际密度、支配结论所需的维数和其他条件，以及预测风险与平方损失风险的区别。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，维数限制和完整条件未说明；结论针对特定正态预测问题，不能推广为一般预测优势。
原文摘要
Let X|μ∼Np(μ,vxI) and Y|μ∼Np(μ,vyI) be independent p-dimensional multivariate normal vectors with common unknown mean μ. Based on only observing X=x, we consider the problem of obtaining a predictive density p̂(y|x) for Y that is close to p(y|μ) as measured by expected Kullback–Leibler loss. A natural procedure for this problem is the (formal) Bayes predictive density p̂U(y|x) under the uniform prior πU(μ)≡1, which is best invariant and minimax. We show that any Bayes predictive density will be minimax if it is obtained by a prior yielding a marginal that is superharmonic or whose square root is superharmonic. This yields wide classes of minimax procedures that dominate p̂U(y|x), including Bayes predictive densities under superharmonic priors. Fundamental similarities and differences with the parallel theory of estimating a multivariate normal mean under quadratic loss are described.