The optimal confidence region for a random parameter
随机参数的最优置信区域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：层级随机参数推断及临床、生物应用未提供归入指定经济计量领域的直接证据。
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
随机参数的最优置信区域
- 研究问题
- 在两层层级模型中，随机参数向量的分布已知或可较好估计时，如何为其某个分量构造尽可能小的置信区域？
- 方法与思路
- 作者在联合贝叶斯与频率学派范式下推导区域，考虑数据由不可观测的固定参数实现生成，并以应用和模拟评估。
- 材料陈述的贡献
- 摘要称所得最优区域平均而言可明显小于对应的贝叶斯最高后验密度区域，并展示多中心临床与微阵列数据应用。
- 阅读关注点
- 应核对覆盖概率针对哪些随机性、最小区域的优化准则、参数分布估计误差的处理，以及平均区域大小的比较条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；平均更小不说明每次实现都更小，覆盖定义、最优性范围与模拟结果未说明。
原文摘要
Suppose that, under a two-level hierarchical model, the distribution of the vector of random parameters is known or can be estimated well. The data are generated via a fixed, but unobservable, realisation of the vector. We derive the smallest confidence region for a specific component of this random vector under a joint Bayesian/frequentist paradigm. On average this optimal region can be much smaller than the corresponding Bayesian highest posterior density region. The new estimation procedure is especially appealing when one deals with data generated under a highly parallel structure. The new proposal is illustrated with a dataset from a multi-centre clinical study and also with one from a typical microarray experiment. The performance of our procedure is examined via simulation studies. Copyright 2005, Oxford University Press.