Estimating a Population of Parameter Values Using Bayes and Empirical Bayes Methods
利用贝叶斯与经验贝叶斯方法估计参数总体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：摘要研究参数集合的贝叶斯估计，未明确涉及微观经济分位数或分布效应。
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
利用贝叶斯与经验贝叶斯方法估计参数总体
- 研究问题
- 当目标是准确呈现一组参数的整体分布，而非逐个最小化估计误差时，如何缓解后验均值造成的过度收缩？
- 方法与思路
- 作者提出贝叶斯与经验贝叶斯估计，通过最小化估计值和真实参数的经验分布函数之间的距离构造整体估计。
- 材料陈述的贡献
- 摘要称，新估计量是先验均值与数据的加权平均，并描述其权重与后验均值权重的近似关系，提供理论及应用例子。
- 阅读关注点
- 应核对分布距离和优化目标、权重近似的条件，以及整体分布保真与逐个参数估计损失之间的取舍。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；距离函数细节和适用条件未说明，不能认定新方法同时改善所有逐项损失。
原文摘要
In standard Bayes and empirical Bayes component decision problems, estimating inidividual parameters is the primary goal. In multiple comparison problems and in comparisons of histograms of estimates, however, the primary goal is to produce parameter estimates that can be considered as an ensemble. For example, the histogram of estimates should be a good estimate of the histogram of parameters. Standard methods of estimating by the posterior expectation do minimize symmetric, componentwise losses such as squared error, but they produce ensembles of estimates with a sample variance smaller than the posterior expected sample variance for parameters. In this article we propose new Bayes and empirical Bayes estimates that minimize a distance function between the empirical cdf of the estimates and the true parameters. These estimators are weighted averages of the prior mean and the data, with weight on the data being approximately the square root of that for the posterior expectation. We give theoretical and applied examples, including subgroup analysis in a clinical trial.