On SURE-Type Double Shrinkage Estimation
基于 SURE 的双重收缩估计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：摘要研究通用层级正态模型的经验贝叶斯收缩，异方差本身不足以归入金融波动率等细分方向。
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…
基于 SURE 的双重收缩估计
- 研究问题
- 在层级正态模型中，当不同观测的方差既不相等又未知时，如何同时收缩均值和方差，并研究估计风险的最优性质？
- 方法与思路
- 作者对均值与方差均设置先验，构造基于 Stein 无偏风险估计的经验贝叶斯双重收缩估计量，并开展理论和模拟比较。
- 材料陈述的贡献
- 摘要称，方法将既有已知异方差设定扩展到未知异方差，在一定正则条件下推导最优性质，并应用于棒球及基因表达数据。
- 阅读关注点
- 核对双重收缩的具体形式、未知方差下风险准则的构造、最优性的含义与正则条件，以及模拟中不同收缩方法的比较标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出正则条件或最优性范围，不能据此声称有限样本普遍占优。
原文摘要
The article is concerned with empirical Bayes shrinkage estimators for the heteroscedastic hierarchical normal model using Stein's unbiased estimate of risk (SURE). Recently, Xie, Kou, and Brown proposed a class of estimators for this type of problems and established their asymptotic optimality properties under the assumption of known but unequal variances. In this article, we consider this problem with unequal and unknown variances, which may be more appropriate in real situations. By placing priors for both means and variances, we propose novel SURE-type double shrinkage estimators that shrink both means and variances. Optimal properties for these estimators are derived under certain regularity conditions. Extensive simulation studies are conducted to compare the newly developed methods with other shrinkage techniques. Finally, the methods are applied to the well-known baseball dataset and a gene expression dataset. Supplementary materials for this article are available online.