Assumption-Lean Shrinkage and Model Averaging for Spatial Parameters
弱模型依赖的空间参数收缩与模型平均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：摘要主要研究空间参数收缩与风险加权模型平均；地理邻接用于信息汇聚，尚未涉及所列网络干扰或其他直接细分。
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
弱模型依赖的空间参数收缩与模型平均
- 研究问题
- 当地理、邻接与共同特征分别提供不同的信息汇聚方式时，如何选择或组合收缩估计，改善大量带噪声参数的估计？
- 方法与思路
- 作者以 Stein 无偏风险估计 SURE 评价候选收缩规则并加权平均，不将任何候选先验或潜在协方差模型视为正确设定。
- 材料陈述的贡献
- 摘要称在平滑性条件下获得接近最佳固定加权组合的风险表现；经济流动性应用的估计均方误差较库内最佳非空间基准降低约 27%。
- 阅读关注点
- 应核对 SURE 有效性与噪声条件、候选训练和权重构造，以及理论比较对象与应用中估计均方误差的计算依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；约 27% 是特定应用与候选库中的估计误差改善，不能视为普遍保证。
原文摘要
Economic decisions often depend on many noisy estimates of quantities such as neighborhood effects, school quality, and hospital performance. Shrinkage estimation can improve decisions by pooling information across related units, but geography, adjacency, and shared characteristics each define a different notion of relatedness, and each implies a different way of pooling. We treat the choice of relatedness as part of the estimation problem, using Stein's Unbiased Risk Estimate (SURE) to form a weighted average over a library of flexible shrinkage estimators. This comparison among the candidate estimators treats no prior or latent covariance structure as a correctly specified model for the parameters being estimated. Each candidate is judged by its SURE value. Under smoothness conditions on the estimators, the SURE-weighted average performs nearly as well as the best fixed weighted average of trained candidates, including nonlinear rules whose reported values use the full vector of noisy estimates. In an application to Opportunity Atlas economic mobility data from 20 commuting zones, the best individual spatial specification varies across zones, yet the SURE-weighted average tracks the best in each zone and reduces estimated mean squared error by about 27% relative to the best-performing non-spatial empirical Bayes baseline in our library of estimators.