General maximum likelihood empirical Bayes estimation of normal means
正态均值的一般最大似然经验贝叶斯估计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：摘要属于一般正态均值决策理论，未明确连接所列经济计量应用或专门模型。
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
正态均值的一般最大似然经验贝叶斯估计
- 研究问题
- 在独立同分布正态误差下，如何估计未知均值向量，使平均均方误差接近最优可分估计规则的风险？
- 方法与思路
- 作者提出一般最大似然经验贝叶斯方法，分析其相对可分估计器的风险，并考察常规与弱型范数球上的表现。
- 材料陈述的贡献
- 摘要称在矩条件及风险规模限制下实现近预言风险，并在指定参数范围近似极小极大；模拟报告多种情形的优势。
- 阅读关注点
- 应核对经验贝叶斯估计的构造、矩条件、风险门槛和参数球范围；摘要中幂次排版不清的边界需查原文确认。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，不能完整恢复数学边界，也不能将所报告的模拟优势推广至未考察情形。
原文摘要
We propose a general maximum likelihood empirical Bayes (GMLEB) method for the estimation of a mean vector based on observations with i.i.d. normal errors. We prove that under mild moment conditions on the unknown means, the average mean squared error (MSE) of the GMLEB is within an infinitesimal fraction of the minimum average MSE among all separable estimators which use a single deterministic estimating function on individual observations, provided that the risk is of greater order than (log n)5/n. We also prove that the GMLEB is uniformly approximately minimax in regular and weak ℓp balls when the order of the length-normalized norm of the unknown means is between (log n)κ1/n1/(p∧2) and n/(log n)κ2. Simulation experiments demonstrate that the GMLEB outperforms the James–Stein and several state-of-the-art threshold estimators in a wide range of settings without much down side.