Empirical Bayes and Conditional Inference with Many Nuisance Parameters
大量干扰参数下的经验贝叶斯与条件推断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：摘要讨论分层数据中的通用干扰参数推断，未明确涉及面板结构或其他所列细分方向。
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
大量干扰参数下的经验贝叶斯与条件推断
- 研究问题
- 每个数据层各有一个干扰参数时，如何利用经验贝叶斯方法提高共同目标参数的估计效率，并评价条件推断的最优性？
- 方法与思路
- 作者考虑充分统计量具有指数族结构和完备性的分布类，假设干扰参数来自未知分布，并结合条件得分与经验贝叶斯估计。
- 材料陈述的贡献
- 摘要称所构造条件得分具有特定意义下的最优性，并通过模拟比较两种经验贝叶斯方法与干扰参数极大似然估计的表现。
- 阅读关注点
- 应核对分布类与完备性条件、未知混合分布的处理方式、条件得分的准确表达，以及最优性和模拟比较的评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；得分相关公式含“oslhasi”等乱码，不能重构，须查阅原 PDF。摘要未给出模拟数值。
原文摘要
This paper concerns the use of empirical Bayes methods to improve the efficiency of a parameter of interest, θ, in the presence of many nuisance parameters, {øi}, one from each data stratum. A class of distributions is introduced such that for fixed θ, the minimal sufficient statistic ti(θ) for øi is from an exponential family and hence complete. By imposing the assumption that the øi's are generated from an unspecified distribution function Q, we show that for this class of distributions the conditional score function for θ (Lindsay, 1982) with oslhasi estimated by EQ{oslhasi /ti(θ)} is optimal in a sense similar to that of Cox & Reid (1987) and Liang (1987). Two empirical Bayes estimates of ø, along with the maximum likelihood estimate of øi are compared through simulations in terms of θ estimation.