Joint inference based on Stein-type averaging estimators in the linear regression model
线性回归中基于Stein型平均估计量的联合推断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：方法主体属于通用线性回归推断，但摘要明确包含消费型资产定价应用，所选资产定价方向仅依据这一应用场景。
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
线性回归中基于Stein型平均估计量的联合推断
- 研究问题
- 将受约束与不受约束估计量平均能够降低估计风险，但这种改善是否也能提升联合推断，以及何种约束能够增强检验功效？
- 方法与思路
- 作者在同方差和异方差线性回归中，以James–Stein平均估计量为中心构造联合置信域，允许约束数量随样本量增长。
- 材料陈述的贡献
- 摘要称，所构造置信域具有渐近有效性，适当约束可使检验功效超过标准F检验；模拟和消费型资产定价应用展示实施方式。
- 阅读关注点
- 应核对平均权重、置信域校准和约束增长条件，以及适当约束的含义，并检查功效提升是否伴随有效的尺寸控制。
- 阅读边界
- 仅依据所给OpenAlex版本摘要；约束选择条件、异方差处理细节及数值结果未说明，降低估计风险本身不能直接推出普遍推断优势。
原文摘要
While averaging unrestricted with restricted estimators is known to reduce estimation risk, it is an open question whether this reduction in turn can improve inference. To analyze this question, we construct joint confidence regions centered at James–Stein averaging estimators in both homoskedastic and heteroskedastic linear regression models. These regions are asymptotically valid when the number of restrictions increases possibly proportionally with the sample size. When used for hypothesis testing, we show that suitable restrictions enhance power over the standard F-test. We study the practical implementation through simulations and an application to consumption-based asset pricing.