Efficient shrinkage in parametric models
参数模型中的高效收缩估计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：摘要讨论一般参数模型的收缩与渐近风险，未指定面板、分位数、时间序列或金融模型，缺少给定细分的直接依据。
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
参数模型中的高效收缩估计
- 研究问题
- 对一般参数模型，如何将最大似然估计收缩到由非线性限制定义的参数子空间，并判断这种收缩是否降低渐近风险？
- 方法与思路
- 作者构造面向一般非线性参数限制的收缩估计量，在局部渐近框架下推导其渐近分布和风险，并与最大似然估计比较。
- 材料陈述的贡献
- 摘要称收缩维度超过二时，所提估计量的渐近风险严格低于最大似然估计，且该风险降低在其理论框架下覆盖整个参数空间。
- 阅读关注点
- 应核对风险采用的损失函数、收缩维度定义、子空间光滑性与局部渐近设定，以及全局风险结论和参数取值的具体含义。
- 阅读边界
- 仅据所给出版社摘要，损失函数和正则条件未说明；所述优势属于渐近风险比较，不能直接推出任意有限样本下都更准确。
原文摘要
This paper introduces shrinkage for general parametric models. We show how to shrink maximum likelihood estimators towards parameter subspaces defined by general nonlinear restrictions. We derive the asymptotic distribution and risk of our shrinkage estimator using a local asymptotic framework. We show that if the shrinkage dimension exceeds two, the asymptotic risk of the shrinkage estimator is strictly less than that of the maximum likelihood estimator (MLE). This reduction holds globally in the parameter space. We show that the reduction in asymptotic risk is substantial, even for moderately large values of the parameters.