BAYES AND EMPIRICAL BAYES ESTIMATORS WITH THEIR UNIQUE SIMPLER FORMS AND THEIR SUPERIORITIES OVER BLUE IN TWO SEEMINGLY UNRELATED REGRESSIONS
Notice bibliographique
Résumé
This paper considers Bayes and empirical Bayes estimation of the regression parameters in a system of two seemingly unrelated regression (SUR) models with Gaussian disturbances. Employing the covariance-adjusted technique, we obtain a sequence of Bayes estimators and show that this is the best Bayes estimator (BE) in the sense of having least covariance matrix. We establish the superiority of this best BE over the best linear unbiased estimator (BLUE) in terms of the mean square error matrix (MSEM) criterion. When the covariance matrix of disturbances is unknown, we obtain a sequence of corresponding empirical Bayes (EB) estimators and show that this too is superior to BLUE in MSEM criterion. In addition, we establish an interesting fact which shows that both Bayes and empirical Bayes estimators have only unique simpler forms, which too are superior to BLUE, and further allow us to study them in more details. This paper shows that the proposed Bayes and EB estimators, which combine the Bayesian method with the covariance-adjusted technique, are very efficient even for small sample size. Finally, we generalize our results to the system of two SURs with unequal numbers of observations and to the system of more than two SURs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».