Improved Small Domain Estimation via Compromise Regression Weights
通过折中回归权重改进小域估计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。
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：摘要研究小域估计与回归权重，未明确涉及给定细分中的面板、因果或分布效应问题。
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…
通过折中回归权重改进小域估计
- 研究问题
- 当全局回归模型设定错误时，如何避免噪声较大的小域估计过度收缩至不准确的回归曲面，并改善小域均值预测？
- 方法与思路
- 作者将 BLUP 与 OBP 对应的回归权重作凸组合，通过最小化新提出的均方预测误差无偏估计选择混合参数，构造 CBP。
- 材料陈述的贡献
- 摘要称，数据自适应权重使 CBP 保留 OBP 的稳健性，并在模型正确时保留 EBLUP 的主要优势；以老年人步速估计示例。
- 阅读关注点
- 应核对误差估计无偏性的条件、混合参数的求解及其他参数的处理，并查看模型误设情形与步速应用中的比较设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明无偏性与稳健性所需条件，也未给出改进幅度，不能推断刊本变化。
原文摘要
Shrinkage estimates of small domain parameters typically use a combination of a noisy “direct” estimate that only uses data from a specific small domain and a more stable regression estimate. When the regression model is misspecified, estimation performance for the noisier domains can suffer due to substantial shrinkage toward a poorly estimated regression surface. In this article, we introduce a new class of robust, empirically-driven regression weights that target estimation of the small domain means under potential misspecification of the global regression model. Our regression weights are a convex combination of the model-based weights associated with the best linear unbiased predictor (BLUP) and those associated with the observed best predictor (OBP). The mixing parameter in this convex combination is found by minimizing a novel, unbiased estimate of the mean-squared prediction error for the small domain means, and we label the associated small domain estimates the “compromise best predictor,” or CBP. Using a data-adaptive mixture for the regression weights enables the CBP to preserve the robustness of the OBP while retaining the main advantages of the EBLUP whenever the regression model is correct. We demonstrate the use of the CBP in an application estimating gait speed in older adults. Supplementary materials for this article are available online.