An empirical Bayes smoothing technique
一种经验贝叶斯平滑技术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：内容属于通用经验贝叶斯概率估计，摘要未涉及所列细分方向的特定模型或研究对象。
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
一种经验贝叶斯平滑技术
- 研究问题
- 经验贝叶斯程序需要估计边际概率时，如何对离散概率估计进行平滑，并将一般程序应用于泊松分布情形？
- 方法与思路
- 作者提出概率平滑的一般程序，并讨论泊松情形的应用；所给摘要中关于既有离散概率估计量的句子存在缺损。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提供一般性的概率平滑程序及其泊松应用；材料未清楚给出相应误差性质或比较结论。
- 阅读关注点
- 应核对边际概率估计与平滑程序的具体定义、平滑参数选择、泊松应用的构造，并查明摘要缺损句子的原意。
- 阅读边界
- OpenAlex 摘要稿件版本未注明，且部分句子不完整；不能据此补写既有结果、理论性质或其他版本内容。
原文摘要
Empirical Bayes procedures generally require the estimation of marginal probabilities. Maritz (1996) showed that the usual estimator for a discrete probability smoothing the estimators of discrete probabilities. Here we present a general procedure for smoothing probabilities and apply it to the Poisson situation.