A Continuous Empirical Bayes Smoothing Technique
一种连续经验贝叶斯平滑技术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：摘要讨论通用经验贝叶斯平滑与泊松模拟，缺少所列经济计量细分方向的依据。
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
一种连续经验贝叶斯平滑技术
- 研究问题
- 经验贝叶斯平滑能否通过连续估计先验密度实现，并在小样本泊松问题中获得摘要所称的良好表现？
- 方法与思路
- 作者以平滑连续的先验密度近似构建经验贝叶斯方法，针对泊松分布开展蒙特卡洛研究，并与离散平滑方法比较。
- 材料陈述的贡献
- 摘要称，论文提供连续平滑方案，区别于逼近先验分布函数的离散方法；泊松模拟显示其具有可取的小样本性质。
- 阅读关注点
- 应核对先验密度的近似形式、平滑参数选择、估计目标和损失函数，并检查小样本结论对先验与比较方法的依赖。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明平滑构造与模拟数值，泊松实验不足以判断其他分布下的性能。
原文摘要
Maritz (1966) and Lemon & Krutchkoff (1969) each describe discrete empirical Bayes smoothing techniques. These techniques essentially attempt to approximate the prior distribution function. Here a continuous smoothing technique which is based on a smooth and continuous approximation to the prior density function is presented. Results from a Monte Carlo study of the Poisson distribution are reported which show that the continuous smoothing technique has desirable small-sample properties. Some comparisons with discrete smoothing techniques are also made.