Combining Minimax Shrinkage Estimators
极小极大收缩估计量的组合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：摘要研究多元正态均值的一般收缩估计，未明确涉及经济面板、因子或其他所列细分对象。
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
极小极大收缩估计量的组合
- 研究问题
- 估计多元正态均值时，如何处理坐标分组与收缩目标的不确定性，使估计量能够兼容多种分组和目标设定？
- 方法与思路
- 作者将多重收缩结果用于一般分组收缩估计，构造新的极小极大估计量，并以真实及模拟数据评估自适应组合与聚类。
- 材料陈述的贡献
- 摘要称新估计量允许多种分组及目标规格，包括自适应判断相关估计问题是否组合的方法和自适应聚类收缩方法。
- 阅读关注点
- 应核对组合权重、分组与目标如何确定，极小极大性质对应的损失及参数空间，以及数据示例中的风险比较标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；极小极大性不等于所有参数点均更优，摘要未给出完整条件或可确认的刊本变化。
原文摘要
When one estimates a multivariate normal mean, the use of Stein estimation entails both the grouping of coordinates and the selection of a set of targets toward which to shrink each group. In this article we propose new minimax multiple shrinkage estimators that allow for multiple specifications of these aspects. We provide examples that are evaluated on real and simulated data, including an estimator that adaptively resolves the issue of combining possibly related estimation problems and an adaptive clustering shrinkage estimator. The construction and properties of these estimators are shown to follow from the application of the multiple shrinkage results of George (1986a) to general partitioned shrinkage estimators.