Estimation under matrix quadratic loss and matrix superharmonicity
矩阵二次损失下的估计与矩阵超调和性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：摘要研究正态均值矩阵的通用决策理论，低秩结构未被关联到面板或经济因子模型，因此不足以选择所列领域。
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
矩阵二次损失下的估计与矩阵超调和性
- 研究问题
- 对正态均值矩阵进行估计时，如何在矩阵二次损失下建立极小极大性质，并使改善同时适用于矩阵列的任意线性组合？
- 方法与思路
- 作者推导无偏风险估计，引入矩阵值函数的矩阵超调和性，分析 Efron–Morris 估计及相应广义贝叶斯估计的极小极大性质。
- 材料陈述的贡献
- 摘要称，论文证明相关估计量的极小极大性，构造包含广义 Stein 先验的矩阵超调和先验类，并用数值实验展示低秩矩阵表现。
- 阅读关注点
- 应核对矩阵损失下风险比较的定义、维度与先验条件，以及超调和性如何支持极小极大证明；低秩实验还需查看比较对象与评价指标。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定维度限制、先验条件和风险改善范围；极小极大性与低秩数值表现不能视为普遍占优。
原文摘要
Summary We investigate estimation of a normal mean matrix under the matrix quadratic loss. Improved estimation under the matrix quadratic loss implies improved estimation of any linear combination of the columns under the quadratic loss. First, an unbiased estimate of risk is derived and the Efron–Morris estimator is shown to be minimax. Next, a notion of matrix superharmonicity for matrix-variate functions is introduced and shown to have properties analogous to those of the usual superharmonic functions, which may be of independent interest. Then, it is shown that the generalized Bayes estimator with respect to a matrix superharmonic prior is minimax. We also provide a class of matrix superharmonic priors that includes the previously proposed generalization of Stein’s prior. Numerical results demonstrate that matrix superharmonic priors work well for low-rank matrices.