Priors for second-order unbiased Bayes estimators
二阶无偏贝叶斯估计量的先验构造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：摘要研究一般贝叶斯先验构造，线性回归和随机效应例子不足以明确归入面板或其他所列细分领域。
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…
二阶无偏贝叶斯估计量的先验构造
- 研究问题
- 在非独立同分布模型中，如何选择使贝叶斯估计量具有二阶渐近无偏性的先验，并判断这类先验是否存在？
- 方法与思路
- 作者将Hartigan框架推广至非独立同分布模型，以偏微分方程组刻画渐近无偏先验，并提出相应构造程序。
- 材料陈述的贡献
- 摘要称，论文给出该类先验存在的充要条件及简单构造方法，并在线性回归和嵌套误差回归中应用和模拟。
- 阅读关注点
- 应核对二阶无偏性的精确定义、方程与存在条件、先验的可用性，以及小样本频率学性质的评价指标。
- 阅读边界
- 仅依据所给Crossref摘要；正则条件、先验形式和模拟数值未说明，渐近无偏性质不能直接保证所有小样本情形的表现。
原文摘要
Summary Asymptotically unbiased priors, introduced by Hartigan (1965), are designed to achieve second-order unbiasedness of Bayes estimators. This paper extends Hartigan’s framework to non-independent-and-identically-distributed models by deriving a system of partial differential equations that characterizes asymptotically unbiased priors. Furthermore, we establish a necessary and sufficient condition for the existence of such priors and propose a simple procedure for constructing them. The proposed method is applied to the linear regression model and the nested error regression model (also known as the random effects model). Simulation studies evaluate the frequentist properties of the Bayes estimator under the asymptotically unbiased prior for the nested error regression model, highlighting its effectiveness in small-sample settings.