A James-Stein Type Estimator for Combining Unbiased and Possibly Biased Estimators
合并无偏与可能有偏估计量的 James–Stein 型方法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：摘要研究通用估计量组合与决策风险，未明确涉及所列经济计量应用或细分模型。
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
合并无偏与可能有偏估计量的 James–Stein 型方法
- 研究问题
- 如何结合无偏样本信息和可能有偏的辅助信息，在利用额外信息的同时控制辅助信息偏差造成的二次损失风险？
- 方法与思路
- 作者构造具有 James–Stein 思路的组合估计量，将其联系到最优线性组合的近似与经验贝叶斯解释，并提出置信集合构造方法。
- 材料陈述的贡献
- 摘要称该估计量在二次损失下优于样本均值，且辅助偏差增大时风险仍受样本均值风险约束，并以林业数据比较表现。
- 阅读关注点
- 应核对风险支配结论的维度、分布与协方差条件，辅助偏差如何进入组合规则，以及置信集合构造是否具有相应覆盖保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；风险支配的具体定理条件和置信集合性质未说明，不能推广到任意辅助信息与损失函数。
原文摘要
We present a method for combining unbiased sample data with possibly biased auxiliary information. The estimator we derive is similar in spirit to the James–Stein estimator. We prove that the estimator dominates the sample mean under quadratic loss. When the auxiliary information is unbiased, our estimator has risk slightly greater than the usual combined estimator. As the bias increases, however, the risk of the usual estimator is unbounded, while the risk of our estimator is bounded by the risk of the sample mean. We show how our estimator can be considered an approximation to the best linear combination of the sample data and the auxiliary information, allude to how it can be derived as an empirical Bayes estimator, and suggest a method for constructing confidence sets. Finally, the performance of our estimator is compared to that of the sample mean and the usual combined estimator using real forestry data.