Tweedie’s Formula and Selection Bias
Tweedie 公式与选择偏差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：摘要讨论极端估计值选择与经验贝叶斯收缩，没有因果识别或其他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…
关注这篇论文的作者
Tweedie 公式与选择偏差
- 研究问题
- 从大量估计值中挑选最大的几个时，如何校正它们对各自潜在均值的高估，并判断经验贝叶斯校正的有效性与局限？
- 方法与思路
- 作者研究以 Tweedie 公式进行经验贝叶斯选择偏差校正，讨论相关性与经验贝叶斯信息等问题，并考察其与 James–Stein 估计的联系。
- 材料陈述的贡献
- 摘要称，论文评估 Tweedie 公式的优点与限制，并借其应用讨论更一般的经验贝叶斯问题；摘要未给出具体性能保证。
- 阅读关注点
- 应核对观测估计值的分布模型、经验贝叶斯信息的定义和估计方式，关注被选择对象与用于学习总体分布的数据是否相适配。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；误差模型、校正条件和性能结果未说明，不能推断所有选择机制均适用或刊本变化。
原文摘要
We suppose that the statistician observes some large number of estimates z(i), each with its own unobserved expectation parameter μ(i). The largest few of the z(i)'s are likely to substantially overestimate their corresponding μ(i)'s, this being an example of selection bias, or regression to the mean. Tweedie's formula, first reported by Robbins in 1956, offers a simple empirical Bayes approach for correcting selection bias. This paper investigates its merits and limitations. In addition to the methodology, Tweedie's formula raises more general questions concerning empirical Bayes theory, discussed here as "relevance" and "empirical Bayes information." There is a close connection between applications of the formula and James-Stein estimation.