The horseshoe estimator for sparse signals
稀疏信号的马蹄估计量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：摘要研究通用稀疏信号估计，未明确联系所列经济计量领域细分。
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…
稀疏信号的马蹄估计量
- 研究问题
- 在稀疏信号估计中，如何兼顾对大信号的稳健性、对不同稀疏模式的适应性，以及便于理论分析的贝叶斯收缩结构？
- 方法与思路
- 作者基于多元正态尺度混合先验提出马蹄估计量，证明尾部稳健性和采样密度估计的收敛性质，并进行数据比较。
- 材料陈述的贡献
- 摘要称给出尾部稳健性与稀疏情形下密度估计超效率收敛的两个定理；其结果与点质量混合先验的贝叶斯模型平均较接近。
- 阅读关注点
- 应核对先验层级结构、尾部稳健性的严格定义、超效率结论对应的估计对象和条件，以及与模型平均的比较方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；超效率陈述针对采样密度估计，不能据此断言所有参数估计均更优，定理细节未提供。
原文摘要
This paper proposes a new approach to sparsity, called the horseshoe estimator, which arises from a prior based on multivariate-normal scale mixtures. We describe the estimator’s advantages over existing approaches, including its robustness, adaptivity to different sparsity patterns and analytical tractability. We prove two theorems: one that characterizes the horseshoe estimator’s tail robustness and the other that demonstrates a super-efficient rate of convergence to the correct estimate of the sampling density in sparse situations. Finally, using both real and simulated data, we show that the horseshoe estimator corresponds quite closely to the answers obtained by Bayesian model averaging under a point-mass mixture prior.