Empirical Bayes deconvolution estimates
经验贝叶斯反卷积估计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：摘要研究潜在先验密度的反卷积与经验贝叶斯方法，未明确研究分位数或分布效应，也未对应其他所列细分。
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…
关注这篇论文的作者
经验贝叶斯反卷积估计
- 研究问题
- 潜在参数不可观测，但通过已知概率机制产生可观测数据，作者研究如何从观测样本恢复未知先验密度，并利用协变量细化分析。
- 方法与思路
- 作者对未知先验密度采用参数化指数族建模，进行经验贝叶斯反卷积估计，并将协变量信息纳入框架以联系广义线性混合模型。
- 材料陈述的贡献
- 摘要称，相较非参数反卷积缓慢的渐近收敛，指数族建模可在中等样本中提供有用估计，并用真实与人工例子展示方法。
- 阅读关注点
- 应核对已知观测机制下的可识别性、指数族维度与模型选择、先验误设敏感性，以及引入协变量后的估计与不确定性处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；有用估计的评价标准和模型误设影响未说明，不能推断刊本变化。
原文摘要
An unknown prior density $g(\\theta )$ has yielded realizations $\\Theta _1,\\ldots ,\\Theta _N$ . They are unobservable, but each $\\Theta _i$ produces an observable value $X_i$ according to a known probability mechanism, such as $X_i\\sim {\\rm Po}(\\Theta _i)$ . We wish to estimate $g(\\theta )$ from the observed sample $X_1,\\ldots ,X_N$ . Traditional asymptotic calculations are discouraging, indicating very slow nonparametric rates of convergence. In this article we show that parametric exponential family modelling of $g(\\theta )$ can give useful estimates in moderate-sized samples. We illustrate the approach with a variety of real and artificial examples. Covariate information can be incorporated into the deconvolution process, leading to a more detailed theory of generalized linear mixed models.