Approximate Risk Minimization Over Shrinking-Thresholding Rules in Normal Mean Estimation
正态均值估计中收缩阈值规则的近似风险最小化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：摘要讨论正态均值估计的收缩阈值与风险最小化理论，属于统计估计方法，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向。
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
正态均值估计中收缩阈值规则的近似风险最小化
- 研究问题
- 摘要称，研究如何在正态均值问题中对收缩与阈值型估计量做近似风险最小化，并在未知 oracle 风险时构造可行的数据驱动准则。
- 方法与思路
- 作者提出一个包含 James-Stein 型与 lasso 型规则的估计量函数类，将二次风险表示为该函数类上的泛函，推导 oracle 风险与数据驱动近似风险最小化的最优性条件，并据此构造 NOMAD 估计量；随后扩展到相关观测、线性回归。
- 材料陈述的贡献
- 摘要称建立了近似风险最小化理论，包括优化元刻画、正则条件下的筛法相合性、相对可容许类基准的近似风险不等式，并给出相关正态均值与线性回归的扩展及等价的惩罚回归表示。
- 阅读关注点
- 应核对函数类的具体定义与正则条件、oracle 风险最优性条件的推导、筛法相合性所需假设、近似风险不等式的基准范围，以及相关观测下 MLE 与条件 MLE 构造的差异。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、数值表现与相对已有方法的实际优势；摘要未说明模拟或实证结果。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We develop an approximate risk minimization framework for shrinkage-thresholding estimation in normal mean problems. In the canonical multivariate normal mean model, we introduce a general functional class of estimators that contains classical shrinkage and thresholding behavior, including James-Stein-type and lasso-type rules. We express quadratic risk as a functional over this class, derive optimality conditions for both oracle risk and data-driven approximate risk minimization, and construct a feasible approximate risk criterion from the observed data when the oracle risk is unavailable. The resulting estimator, NOMAD, is obtained by minimizing this approximate risk over the proposed class. For the canonical model, we develop an approximate risk minimization theory that includes optimizer characterization, sieve-based consistency under regularity conditions, and approximate-risk inequalities relative to benchmark procedures in the admissible class. We then extend the framework to multivariate normal mean estimation with correlated observations, develop both MLE-based and conditional MLE-based constructions, and establish consistency results under regularity conditions. We further apply the framework to linear regression and derive an equivalent penalized regression representation in which the shrinkage-thresholding map induces a data-adaptive penalty, recovering ridge-type and lasso-type behavior as special cases or limiting forms. The results provide a unified risk-based framework for shrinkage, thresholding, and regularization across canonical and correlated normal mean estimation and linear regression.