Empirical Bayes shrinkage (mostly) does not correct the measurement error in regression
经验贝叶斯收缩通常不能纠正回归中的测量误差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：摘要聚焦一般回归测量误差与收缩估计理论，增值研究背景不足以确定所列领域细分。
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
经验贝叶斯收缩通常不能纠正回归中的测量误差
- 研究问题
- 以经验贝叶斯收缩估计值作为回归解释变量，何时能够纠正潜在属性的测量误差，其要求是否比经典纠正方法更强？
- 方法与思路
- 作者澄清收缩估计纠正测量误差所需的条件，与经典纠正方法比较，并将分析扩展到潜在属性的非线性变换回归。
- 材料陈述的贡献
- 摘要称，收缩纠正所需条件更强，经典估计器若无更强假设便无法改进；对非线性变换的估计通常存在较慢的极小极大速率。
- 阅读关注点
- 应核对测量误差与潜在属性的假设、收缩估计有效的具体情形，以及无法改进和较慢速率结论针对的参数与模型类。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出条件和速率，结论不能解读为经验贝叶斯方法在所有用途上无效。
原文摘要
In the value-added literature, it is often claimed that regressing on empirical Bayes shrinkage estimates corrects for the measurement error problem in linear regression. We clarify the conditions needed; we argue that these conditions are stronger than the those needed for classical measurement error correction, which we advocate for instead. Moreover, we show that the classical estimator cannot be improved without stronger assumptions. We extend these results to regressions on nonlinear transformations of the latent attribute and find generically slow minimax estimation rates.