Using Empirical Partially Bayes Inference for Increased Efficiency
利用经验部分贝叶斯推断提高估计效率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：摘要属于一般干扰参数与收缩估计理论，未说明面板、因果或其他所列领域的具体结构。
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
利用经验部分贝叶斯推断提高估计效率
- 研究问题
- 在干扰参数数量不断增加的问题中，如何利用收缩估计提高主要参数的估计效率，同时保持适当的渐近性质？
- 方法与思路
- 作者对主要参数采用渐近无偏估计，对干扰参数估计实施 James–Stein 收缩，并利用模型的条件结构构造估计量。
- 材料陈述的贡献
- 摘要称适当选择收缩估计可得到通常比最大似然更有效率的估计量，并在所考察模型中建立一致性与效率性质。
- 阅读关注点
- 应核对干扰参数增长方式、收缩规则的选择条件、条件结构的限制，以及效率比较针对的损失或渐近方差。
- 阅读边界
- 仅据版本未注明的索引摘要，不能确定适用模型或效率改善幅度，也不能将所述优势推广到任意高维干扰参数问题。
原文摘要
Empirical partially Bayes methods are considered as a means of improving efficiency in a class of problems in which the number of nuisance parameters increases to infinity. In the method used, the parameter of interest is estimated in an asymptotically unbiased way while James-Stein shrinkage is applied to the nuisance parameter estimates. When the shrinkage estimators are carefully chosen, this yields estimators generally more efficient than maximum likelihood. In the models considered, the conditional structure imposed allows construction of a simple estimator which is broadly consistent and efficient.