A continuous empirical Bayes smoothing technique
一种连续经验贝叶斯平滑技术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：摘要研究通用经验贝叶斯平滑及泊松模拟，缺少能够对应所列经济计量领域细分的具体文本证据。
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
一种连续经验贝叶斯平滑技术
- 研究问题
- 在经验贝叶斯估计中，能否通过连续平滑近似先验密度，并考察其小样本表现及与离散平滑技术的差异？
- 方法与思路
- 作者使用光滑且连续的先验密度近似构造经验贝叶斯平滑方法，并在泊松分布的蒙特卡洛研究中与离散方法比较。
- 材料陈述的贡献
- 摘要称提出了连续平滑技术，泊松模拟显示其具有较好的小样本性质，并报告了与离散平滑技术的部分比较。
- 阅读关注点
- 应核对先验密度近似的形式、平滑参数选择、经验贝叶斯估计步骤，以及模拟中的损失指标与比较方法设置。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；模拟规模、指标与结果数值未说明，不能据此认定连续方法普遍优于离散方法。
原文摘要
Maritz (1966) and Lemon & Krutchkoff (1969) each describe discrete empirical Bayes smoothing techniques. These techniques essentially attempt to approximate the prior distribution function. Here a continuous smoothing technique which is based on a smooth and continuous approximation to the prior density function is presented. Results from a Monte Carlo study of the Poisson distribution are reported which show that the continuous smoothing technique has desirable small-sample properties. Some comparisons with discrete smoothing techniques are also made.