Smooth empirical Bayes estimation for one-parameter discrete distributions
单参数离散分布的平滑经验贝叶斯估计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：摘要研究单参数离散分布的经验贝叶斯估计，离散分布本身不构成离散选择模型的分类依据。
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
单参数离散分布的平滑经验贝叶斯估计
- 研究问题
- 简单经验贝叶斯估计需要多少历史观测才能在期望平方误差上优于常规估计，平滑能否降低这种历史信息需求？
- 方法与思路
- 作者比较简单经验贝叶斯与常规估计的平方误差损失，再以参数先验分布的阶梯函数近似构造平滑经验贝叶斯估计。
- 材料陈述的贡献
- 摘要称简单经验贝叶斯可能需要过多历史观测而缺乏实用性；所提出的平滑方法更有效利用历史结果，示例显示潜在实用价值。
- 阅读关注点
- 应核对常规比较基准的定义、历史观测的生成条件、阶梯近似与平滑方式，以及所需历史样本量如何随分布和参数改变。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出所需样本量、具体风险差异或普遍优势条件，实用性判断来自所研究示例。
原文摘要
A study is made of the simple empirical Bayes estimators proposed by Robbins (1956). These estimators are compared with ‘best’ conventional estimators in terms of their expected squared error ‘loss’. The object of the study is to determine the amount of prior data which would be needed for the empirical Bayes estimator to be preferred to the conventional estimator. It is concluded that the required number of previous observations is likely to be too large for the simple empirical Bayes estimators to be useful in practice. Smooth empirical Bayes estimators are proposed, which make more effective use of prior results. A method of smoothing is developed which is besed on estimating a step function approximation to the prior distribution of the parameter. Some examples are studied in detail, and the results indicate that these smooth empirical Bayes estimators are potentially useful in practice.