Large-Scale Estimation under Unknown Heteroskedasticity
未知异方差下的大规模估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是通用异质参数经验贝叶斯估计，未明确面板结构或以分布效应为主要研究目标。
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
未知异方差下的大规模估计
- 研究问题
- 当大量个体参数的均值和方差均未知且存在异质性时，如何构造接近最优的经验贝叶斯估计，并评估分布设定错误的影响？
- 方法与思路
- 作者扩展 Tweedie 公式，以充分统计量密度表示最优个体均值或分位数估计，构造可行版本，并开展误设分析和教师增值应用。
- 材料陈述的贡献
- 摘要称，可行估计具有含对数因子的近参数遗憾界；教师应用指出，允许方差异质性对估计教师质量与识别低表现者十分关键。
- 阅读关注点
- 应核对观测分布假设、充分统计量及密度估计方法、遗憾的定义和界成立条件，以及误设分析是否覆盖应用中的主要偏离。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出分布假设、对数幂次或应用数值，不能认为近参数保证对任意异方差数据成立。
原文摘要
This paper studies nonparametric empirical Bayes methods in a heterogeneous parameters framework that features unknown means and variances. We provide extended Tweedie's formulae that express the (infeasible) optimal estimators of heterogeneous parameters, such as unit-specific means or quantiles, in terms of the density of certain sufficient statistics. These are used to propose feasible versions with nearly parametric regret bounds of the order of $(\log n)^κ/ n$. The results rely on a distributional assumption, and thus a misspecification analysis is also presented. The estimators are employed in a study of teachers' value-added, where we find that allowing for heterogeneous variances across teachers is crucial for delivery optimal estimates of teacher quality and detecting low-performing teachers.