Shrinkage through multiple identifiability
通过多重识别实现收缩估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论不同识别假设下的因果目标，并以随机试验结合观察研究为应用，因而归入因果推断，汇聚本身不构成面板方法。
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…
通过多重识别实现收缩估计
- 研究问题
- 同一因果目标可由多个识别泛函估计，但假设违反可能使其指向不同参数；如何合并这些相关估计并明确区间推断的对象？
- 方法与思路
- 作者用经验贝叶斯方法汇聚同一样本中的渐近线性估计，以潜在异质性参数区分共同目标，并分别构造置信区间或预测区间。
- 材料陈述的贡献
- 摘要称，工作独立构造在中心化异质性下保留后验均值一致性，并区分共同目标的频率学推断与新识别泛函目标的贝叶斯预测。
- 阅读关注点
- 应核对中心化异质性的含义、同样本依赖如何进入方差，以及异质性为零和为正时区间目标与所需假设为何不同。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明异质性条件的完整形式，也未保证汇聚消除识别偏差。
原文摘要
We propose an empirical Bayes framework for combining estimators obtained from multiple identification functionals associated with the same estimand. We adaptively pool a collection of asymptotically linear estimators, each of which may target a different parameter because of violations of their identification assumptions. Although all estimators are computed from the same sample and are therefore dependent, we show that a working independence construction preserves consistency of the posterior mean under centered heterogeneity. Inference is driven by a latent heterogeneity parameter governing the dispersion of the different identification images. When this parameter is zero, the functionals share a common estimand and we construct frequentist confidence intervals using either sandwich variance estimation or subsampling. When it is positive, the functionals are interpreted as exchangeable draws from a latent population of causal effects, and we construct asymptotically valid Bayesian prediction intervals for the latent target of a new identification functional. These inferential procedures answer different questions, rely on distinct assumptions, and are therefore complementary rather than competing. We illustrate the framework by augmenting evidence from randomized controlled trials with observational studies.