Empirical Bayes When Estimation Precision Predicts Parameters
估计精度能够预测参数时的经验贝叶斯方法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：摘要核心是精度依赖下的通用经验贝叶斯估计与决策，社区选择应用未明确对应所列因果或其他细分方法，故不归类。
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
估计精度能够预测参数时的经验贝叶斯方法
- 研究问题
- 当未知参数与估计标准误相关、传统经验贝叶斯的精度独立假设不成立时，如何进行收缩估计并支持后续选择决策？
- 方法与思路
- 作者将给定标准误的参数条件分布建模为灵活的位置尺度族，形成 close 方法族，并分析其中灵活方法的决策遗憾。
- 材料陈述的贡献
- 摘要称，close 统一并推广精度依赖下的多种方案，灵活版本计算高效且遗憾表现有竞争力，并改善高流动性社区选择。
- 阅读关注点
- 应核对位置尺度族的限制、标准误已知的设定、参数估计与调参方式，以及遗憾比较的决策规则和经验选择指标。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断模型误设下的表现、遗憾界条件或社区选择收益大小，也不能推断其他版本变化。
原文摘要
Gaussian empirical Bayes methods usually maintain a precision independence assumption: The unknown parameters of interest are independent from the known standard errors of the estimates. This assumption is often theoretically questionable and empirically rejected. This paper proposes to model the conditional distribution of the parameter given the standard errors as a flexibly parameterized location‐scale family of distributions, leading to a family of methods that we call close . The close framework unifies and generalizes several proposals under precision dependence. We argue that the most flexible member of the close family is a minimalist and computationally efficient default for accounting for precision dependence. We analyze this method and show that it is competitive in terms of the regret of subsequent decision rules. Empirically, using close leads to sizable gains for selecting high‐mobility Census tracts.