Optimal Linear Estimators: An Empirical Bayes Version with Application to the Binomial Distribution
最优线性估计量的经验贝叶斯版本及二项分布应用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：摘要研究通用经验贝叶斯估计与二项分布模拟，没有所列细分领域的直接依据。
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…
最优线性估计量的经验贝叶斯版本及二项分布应用
- 研究问题
- 当某些条件分布下无法通过累积历史数据一致估计后验均值时，能否利用先验矩信息构造可行的最优线性估计？
- 方法与思路
- 作者考虑依赖先验前两阶矩的最优线性估计，用历史数据估计这些矩，并在条件分布为二项分布时进行模拟比较。
- 材料陈述的贡献
- 摘要称先验前两阶矩通常可以估计，且在所报告的二项分布模拟中，所得估计量的风险明显小于最大似然估计。
- 阅读关注点
- 应核对线性估计的优化目标、先验矩估计所需条件、不能逼近后验均值的情形，以及风险比较的损失与模拟设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明具体先验、损失函数或风险差异，模拟结果不能推出普遍风险占优。
原文摘要
An empirical Bayes estimator is one which estimates the posterior mean by making use of past data. For certain conditional distributions though, no empirical Bayes estimator can be found which converges to the posterior mean as past data are accumulated. However, an optimal linear estimator for a parameter, say θ1 can often be found. This optimal linear estimator depends upon the first two prior moments, both of which can often be estimated. The resulting estimator has been simulated under the assumption that the conditional distribution is binomial and these simulations have shown its risk substantially smaller than the risk of the maximum likelihood estimator.