Multivariate Empirical Bayes and Estimation of Covariance Matrices
多元经验贝叶斯与协方差矩阵估计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：摘要是一般多元正态估计理论，协方差估计本身不足以归入金融波动率、风险或因子方向。
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…
关注这篇论文的作者
多元经验贝叶斯与协方差矩阵估计
- 研究问题
- 在多个正态均值向量的经验贝叶斯估计中，如何通过改进协方差逆矩阵估计，构造风险优于常规估计的均值估计量？
- 方法与思路
- 作者将问题转化为特定损失下的协方差逆矩阵估计，通过把样本特征值向中心值收缩，构造协方差与均值估计量。
- 材料陈述的贡献
- 摘要称，新估计量支配样本协方差逆矩阵的任意常数倍，并由此得到一类支配均值最大似然估计量的多元估计量。
- 阅读关注点
- 核对正态模型、损失函数和风险比较定义，检查维数与样本量限制、特征值收缩规则，以及支配结论成立的范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；支配结论依赖摘要所指模型与损失，不能解释为所有损失或非正态情形下均更优。
原文摘要
The problem of estimating several normal mean vectors in an empirical Bayes situation is considered. In this case, it reduces to the problem of estimating the inverse of a covariance matrix in the standard multivariate normal situation using a particular loss function. Estimators which dominate any constant multiple of the inverse sample covariance matrix are presented. These estimators work by shrinking the sample eigenvalues toward a central value, in much the same way as the James-Stein estimator for a mean vector shrinks the maximum likelihood estimators toward a common value. These covariance estimators then lead to a class of multivariate estimators of the mean, each of which dominates the maximum likelihood estimator.