Empirical Bayes Mean Estimation With Nonparametric Errors Via Order Statistic Regression on Replicated Data
利用重复数据的次序统计量回归进行非参数误差下的经验贝叶斯均值估计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：摘要讨论重复观测下的通用均值估计，未提供因果、经济面板或其他所列细分方向的明确依据。
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…
利用重复数据的次序统计量回归进行非参数误差下的经验贝叶斯均值估计
- 研究问题
- 每个单位具有多次含噪观测时，如何在效应量与噪声分布未知、且噪声可随单位异质变化的情形下估计单位均值？
- 方法与思路
- 作者提出 Aurora，利用单位内重复观测将效应量估计转化为一般回归问题；题名指向次序统计量回归，摘要未展开构造。
- 材料陈述的贡献
- 摘要称可实现接近贝叶斯最优的均方误差，并称线性回归版本能匹配多类均值、中位数及其 James–Stein 收缩估计。
- 阅读关注点
- 应核对回归输入与目标的构造、重复观测的依赖条件、接近最优的比较基准，以及单位数和重复次数如何影响保证。
- 阅读边界
- 仅依据 OpenAlex 索引摘要，稿件版本未注明；不能将分布未知的表述理解为所有数据条件均无限制，也不能推断刊本变化。
原文摘要
We study empirical Bayes estimation of the effect sizes of $N$ units from $K$ noisy observations on each unit. We show that it is possible to achieve near-Bayes optimal mean squared error, without any assumptions or knowledge about the effect size distribution or the noise. The noise distribution can be heteroskedastic and vary arbitrarily from unit to unit. Our proposal, which we call Aurora, leverages the replication inherent in the $K$ observations per unit and recasts the effect size estimation problem as a general regression problem. Aurora with linear regression provably matches the performance of a wide array of estimators including the sample mean, the trimmed mean, the sample median, as well as James-Stein shrunk versions thereof. Aurora automates effect size estimation for Internet-scale datasets, as we demonstrate on data from a large technology firm.