A unified jackknife theory for empirical best prediction with M-estimation
基于 M 估计的经验最优预测统一刀切理论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：混合模型与一般预测理论本身不足以认定为面板或宏观预测，摘要未明确这些应用结构。
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
基于 M 估计的经验最优预测统一刀切理论
- 研究问题
- 在一般混合模型中，如何统一评估经验最优预测和固定参数 M 估计的均方误差，并控制误差估计的渐近偏差？
- 方法与思路
- 作者对涵盖线性及广义线性混合模型的框架构造刀切法，分别估计预测与参数估计的均方误差。
- 材料陈述的贡献
- 摘要称在一定矩条件下，均方误差估计具有渐近无偏性；框架涵盖多类 M 估计量，模拟结果支持理论。
- 阅读关注点
- 应核对刀切删除单位、混合模型与 M 估计的具体条件，以及渐近无偏性的阶数和预测目标的定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体矩条件及模拟设定未说明，渐近无偏不代表所有有限样本均表现良好。
原文摘要
The paper presents a unified jackknife theory for a fairly general class of mixed models which includes some of the widely used mixed linear models and generalized linear mixed models as special cases. The paper develops jackknife theory for the important, but so far neglected, prediction problem for the general mixed model. For estimation of fixed parameters, a jackknife method is considered for a general class of M-estimators which includes the maximum likelihood, residual maximum likelihood and ANOVA estimators for mixed linear models and the recently developed method of simulated moments estimators for generalized linear mixed models. For both the prediction and estimation problems, a jackknife method is used to obtain estimators of the mean squared errors (MSE). Asymptotic unbiasedness of the MSE estimators is shown to hold essentially under certain moment conditions. Simulation studies undertaken support our theoretical results.