A G 1 -Minimax Estimator for a Linear Combination of Binomial Probabilities
二项概率线性组合的 G1 极小极大估计量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：摘要讨论二项参数的稳健贝叶斯决策估计，未提供归入所列经济计量方向的依据。
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…
关注这篇论文的作者
二项概率线性组合的 G1 极小极大估计量
- 研究问题
- 在每个二项概率的先验分布只给定均值时，如何估计这些概率的任意线性组合，是本文考察的决策问题。
- 方法与思路
- 作者在仅限定各先验均值的设定下推导 G1 极小极大估计量，并将各概率的估计写成先验均值与极大似然估计的加权平均。
- 材料陈述的贡献
- 摘要称，得到任意二项概率线性组合的 G1 极小极大估计量，并明确其由逐个概率的先验信息与样本估计加权构成。
- 阅读关注点
- 应核对 G1 准则、损失函数及先验集合的定义，查看权重如何确定，以及概率之间的依赖和样本结构如何设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；损失函数、权重公式及适用条件未说明，不能推断刊本变化。
原文摘要
A G1-minimax estimator for an arbitrary linear combination of binomial probabilities {θi } is derived. Only the mean of each prior distribution is specified. The resulting G1-minimax estimator is shown to be formed by estimating each θi by a weighted average of its prior mean and its maximum likelihood estimate.