Singular value shrinkage priors for Bayesian prediction
用于贝叶斯预测的奇异值收缩先验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：摘要研究一般矩阵正态模型中的贝叶斯估计与预测，未明确对应所列经济计量细分方向。
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
用于贝叶斯预测的奇异值收缩先验
- 研究问题
- 在协方差矩阵已知的矩阵正态模型中，如何利用均值矩阵的奇异值结构，改善参数估计与预测密度的表现？
- 方法与思路
- 作者构造偏重较小奇异值的超调和先验，将其视为 Stein 先验的推广，并研究相应贝叶斯估计与预测密度。
- 材料陈述的贡献
- 摘要称，所提估计与预测密度具有极小极大性质，有限样本下优于均匀先验对应方法，尤其适合真实参数低秩的情形。
- 阅读关注点
- 阅读全文时应核对风险比较采用的损失函数、矩阵维度与先验条件，以及低秩情形表现良好的具体理论或数值依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明风险准则及优势成立的完整条件。
原文摘要
We develop singular value shrinkage priors for the mean matrix parameters in the matrix-variate normal model with known covariance matrices. Our priors are superharmonic and put more weight on matrices with smaller singular values. They are a natural generalization of the Stein prior. Bayes estimators and Bayesian predictive densities based on our priors are minimax and dominate those based on the uniform prior in finite samples. In particular, our priors work well when the true value of the parameter has low rank.