Influence functions and robust Bayes and empirical Bayes small area estimation
影响函数与稳健贝叶斯、经验贝叶斯小区域估计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：区域层级与小区域估计并不直接等同于面板数据，摘要没有所列细分的充分依据。
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…
影响函数与稳健贝叶斯、经验贝叶斯小区域估计
- 研究问题
- 区域层级模型中，如何衡量单个区域观测对回归系数后验分布的影响，并据此构造稳健的小区域估计及误差评估？
- 方法与思路
- 作者比较保留和删除某一区域观测时的后验密度，以其差异构造并标准化影响函数，再提出稳健贝叶斯与经验贝叶斯估计。
- 材料陈述的贡献
- 摘要称给出估计量的均方误差及其估计，并在小规模模拟中发现，当模型方差大于样本方差时稳健经验贝叶斯方法表现更好。
- 阅读关注点
- 应核对后验差异的度量、影响函数标准化方式和稳健化规则，并查明模型方差与样本方差的定义及模拟比较范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；优势陈述限定于摘要所述方差关系和模拟，不能推广为所有区域模型下更优。
原文摘要
We introduce new robust small area estimation procedures based on area-level models. We first find influence functions corresponding to each individual area-level observation by measuring the divergence between the posterior density functions of regression coefficients with and without that observation. Next, based on these influence functions, properly standardized, we propose some new robust Bayes and empirical Bayes small area estimators. The mean squared errors and estimated mean squared errors of these estimators are also found. A small simulation study compares the performance of the robust and the regular empirical Bayes estimators. When the model variance is larger than the sample variance, the proposed robust empirical Bayes estimators are superior.