A Regression Modeling Approach to Structured Shrinkage Estimation
结构化收缩估计的回归建模方法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：摘要研究一般多参数结构化收缩与基因去噪，参数关系并不足以认定为网络与干扰等计量细分。
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
结构化收缩估计的回归建模方法
- 研究问题
- 作者研究同时估计多个参数时，如何把参数间已有的关系信息纳入收缩估计，克服常见几何或经验贝叶斯方法的建模困难。
- 方法与思路
- 作者采用回归建模范式表达参数间的结构信息，据此构造新的收缩估计与推断程序，并以正态均值及基因表达去噪说明。
- 材料陈述的贡献
- 摘要称该范式可自然纳入结构信息，并构建具有渐近风险最优性的估计量类，在模拟和单细胞基因表达去噪中表现良好。
- 阅读关注点
- 应核对结构信息如何转化为回归模型、错误结构的影响、风险最优性的比较类，以及估计与推断程序分别获得哪些保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；结构准确性要求、风险最优性条件和推断有效性细节未说明，无法判断错设时的表现。
原文摘要
Problems involving the simultaneous estimation of multiple parameters arise in many areas of theoretical and applied statistics. A canonical example is the estimation of a vector of normal means. Frequently, structural information about relationships between the parameters of interest is available. For example, in a gene expression denoising problem, genes with similar functions may have similar expression levels. Despite its importance, structural information has not been well-studied in the simultaneous estimation literature, perhaps in part because it poses challenges to the usual geometric or empirical Bayes shrinkage estimation paradigms. This article proposes that some of these challenges can be resolved by adopting an alternate paradigm, based on regression modeling. This approach can naturally incorporate structural information and also motivates new shrinkage estimation and inference procedures. As an illustration, this regression paradigm is used to develop a class of estimators with asymptotic risk optimality properties that perform well in simulations and in denoising gene expression data from a single cell RNA-sequencing experiment.