Combining Related and Sparse Data in Linear Regression Models
在线性回归模型中结合相关研究与稀疏数据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：摘要讨论元分析先验与一般线性回归，营销及创新扩散仅为示例，缺乏落入给定具体计量方向的充分证据。
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…
在线性回归模型中结合相关研究与稀疏数据
- 研究问题
- 在新研究的线性回归中，如何利用既有元分析信息处理研究间异质性，并在数据稀少或设计矩阵不满秩时估计参数？
- 方法与思路
- 作者将元分析结果转为显式容纳先验向量异质性的先验信息，再纳入递归估计框架，以结合相关研究与新样本。
- 材料陈述的贡献
- 摘要称，该方法可提高线性回归参数估计效率，并在设计矩阵不满秩或观测不足以独立估计时提供估计，另以营销和创新扩散模型示例。
- 阅读关注点
- 重点核对元分析先验如何构造、研究间异质性如何进入估计，以及矩阵不满秩或样本极少时结果对先验的依赖程度。
- 阅读边界
- 摘要未说明先验的具体形式、效率增益的条件及对先验设定的敏感性，仅凭摘要无法判断跨研究信息能否可靠迁移。
原文摘要
Meta-analysis has become a popular approach for studying systematic variation in parameter estimates across studies. this article discusses the use of meta-analysis results as prior information in a new study. Although hierarchical prior distributions in a traditional Bayesian framework are characterized by complete exchangeability, meta-analysis priors explicitly incorporate heterogeneity in prior vectors. This article discusses the nature of the meta-analysis priors, their properties, and how they can be integrated into a familiar recursive estimation framework to enhance the efficiency of parameter estimates in linear regression models. this approach has the added advantage that it can provide such estimates when (1) the design or data matrix is not of full rank or (2) when observations are too few to allow independent estimation. The methodology is illustrated using published and new meta-analysis results in market-response and diffusion-of-innovation models.