A Semiparametric Basis for Combining Estimation Problems Under Quadratic Loss
二次损失下组合估计问题的半参数基础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：摘要研究通用线性模型组合与二次损失风险，没有金融风险、结构估计或其他细分领域的直接依据。
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
二次损失下组合估计问题的半参数基础
- 研究问题
- 在不确定应采用哪一个统计模型及估计量时，如何组合竞争的估计问题，形成无需主观选择和调节参数的自适应估计？
- 方法与思路
- 作者针对两个竞争的多元线性模型构造半参数 Stein 型估计量，研究风险性质，并用抽样实验和自助法考察性能与推断。
- 材料陈述的贡献
- 摘要称该估计量在二次损失下相对常规最小二乘具有风险优势，并给出部分特殊情形的渐近及有限样本解析风险性质。
- 阅读关注点
- 应核对组合估计量的完整定义、风险优势成立的模型条件、特殊情形的范围，以及自助置信集的构造与有效性依据。
- 阅读边界
- 仅据版本未注明的索引摘要，估计量符号有缺失，需查阅原文；风险优势的具体条件和数值幅度未说明，不能视为普遍优于最小二乘。
原文摘要
When there is uncertainty concerning the appropriate statistical model-estimator to use in representing the data sampling process, we consider a basis for optimally combining estimation problems. The objective is to produce natural adaptive estimators that are free of subjective choices and tuning parameters. In the context of two competing multivariate linear statistical models–estimators, we demonstrate a semiparametric Stein-like (SPSL) estimator, , that, under quadratic loss, has superior risk performance relative to the conventional least squares estimator. The relationship of the SPSL estimator to the family of Stein estimators is noted, and asymptotic and analytic finite-sample risk properties of the estimator are developed for some special cases. As an application we consider the problem of combining two polar linear models and demonstrate a corresponding SPSL estimator. An extensive sampling experiment is used to investigate the finite-sample performance of the SPSL estimator over a wide range of data sampling designs and symmetric and skewed distributions. Bootstrapping procedures are used to develop confidence sets and serve as a basis for inference.