Sampling properties of the Bayesian posterior mean with an application to WALS estimation
贝叶斯后验均值的抽样性质及其在 WALS 估计中的应用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：摘要核心是后验均值与 WALS 的通用抽样理论，应用未交代明确的因果识别设计。
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…
贝叶斯后验均值的抽样性质及其在 WALS 估计中的应用
- 研究问题
- 在频率学派评价中，后验方差何时不足以衡量估计精度，如何估计加权平均最小二乘方法的有限样本偏差与方差？
- 方法与思路
- 作者从正态位置模型中后验均值的抽样性质出发，推导 WALS 有限样本偏差和方差估计量，并结合应用与蒙特卡洛实验评估。
- 材料陈述的贡献
- 摘要强调后验方差与有限样本抽样方差可能不同，并称论文提供了 WALS 偏差和方差估计方法，以堕胎合法化与犯罪研究展示。
- 阅读关注点
- 应核对正态位置模型的结果如何转用于 WALS、偏差和方差估计是否需要额外假设，以及模拟与经验设计的对应关系。
- 阅读边界
- 所给出版社摘要未给出估计量的具体表现或经验结论；应用主题本身不足以确认因果识别，也不能推广到所有贝叶斯方法。
原文摘要
Many statistical and econometric learning methods rely on Bayesian ideas. When applied in a frequentist setting, their precision is often assessed using the posterior variance. This is permissible asymptotically, but not necessarily in finite samples. We explore this issue focusing on weighted-average least squares (WALS), a Bayesian-frequentist ‘fusion’. Exploiting the sampling properties of the posterior mean in the normal location model, we derive estimators of the finite-sample bias and variance of WALS. We study the performance of the proposed estimators in an empirical application and a closely related Monte Carlo experiment which analyze the impact of legalized abortion on crime.