Monotone Empirical Bayes Estimators Based on More Informative Samples
基于信息更丰富样本的单调经验贝叶斯估计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：摘要属于指数族经验贝叶斯估计的一般方法，未明确对应所列经济计量细分方向。
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
基于信息更丰富样本的单调经验贝叶斯估计
- 研究问题
- 当各分量并非同分布、但来自对卷积封闭的指数族时，如何构造经验贝叶斯估计并利用样本信息？
- 方法与思路
- 作者沿用 Robbins 的经验贝叶斯思路，推广已有构造，并针对正态和泊松分布展开方法，与非参数最大似然方法作例子比较。
- 材料陈述的贡献
- 摘要提出适用于非同分布分量的经验贝叶斯构造，并称所给例子的结果与 Laird 的非参数最大似然方法相近。
- 阅读关注点
- 应核对信息更丰富和单调性的具体含义、非同分布分量之间的结构，以及卷积封闭性如何支持估计量构造。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化。单调性的证明、风险性质及比较例子的具体设置未说明。
原文摘要
An empirical Bayes estimator is constructed for the case of nonidentical components coming from an exponential family of distributions that is closed under convolution. Examples are the normal, Poisson, and binomial distributions. The construction is based on Robbins' approach to empirical Bayes estimation and generalizes results of O'Bryan and Stijnen and Van Houwelingen. The method is elaborated for the normal and Poisson case, and examples are given that show that this approach gives results comparable to those from the nonparametric maximum likelihood approach of Laird.