SHRINKAGE EFFICIENCY BOUNDS
收缩估计的效率界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：摘要研究多元正态均值的通用收缩决策理论，没有提供足以对应所列经济或金融细分的应用依据。
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
收缩估计的效率界
- 研究问题
- 在平方误差总损失下，多元正态均值的极小极大收缩估计能够达到怎样的风险下界，现有估计量的遗憾有多大？
- 方法与思路
- 作者在满足既有充分条件的正交不变极小极大估计量类中构造效率界，据此比较遗憾并提出新的收缩估计量。
- 材料陈述的贡献
- 摘要称论文将既有效率界研究扩展至多维情形，并构造了在所考察估计量中最大遗憾显著更低的新估计量。
- 阅读关注点
- 应核对估计量类的限制、效率界与遗憾的定义，以及新估计量降低最大遗憾的比较对象和适用维度。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断界的具体表达式或改善幅度；所述比较限于指定估计量类，不能推广为普遍支配。
原文摘要
This paper is an extension of Magnus (2002, Econometrics Journal 5, 225–236) to multiple dimensions. We consider estimation of a multivariate normal mean under sum of squared error loss. We construct the efficiency bound (the lowest achievable risk) for minimax shrinkage estimation in the class of minimax orthogonally invariate estimators satisfying the sufficient conditions of Efron and Morris (1976, Annals of Statistics 4, 11–21). This allows us to compare the regret of existing orthogonally invariate shrinkage estimators. We also construct a new shrinkage estimator which achieves substantially lower maximum regret than existing estimators.