Я согласен с идеей сжатия Джеймса-Стейна (то есть, что нелинейная функция одного наблюдения вектора возможно независимых нормалей может быть лучшей оценкой средних значений случайных величин, где «лучше» измеряется квадратической ошибкой). ). Однако я никогда не видел его в прикладной работе. Я явно недостаточно хорошо прочитал. Есть ли классические примеры того, как Джеймс-Стейн улучшил оценку в прикладной обстановке? Если нет, то является ли этот вид усадки просто интеллектуальным любопытством?
estimation
error
shrinkage
application
steins-phenomenon
shabbychef
источник
источник
Хребетная регрессия - это форма усадки. См. Draper & Van Nostrand (1979) .
Усадка также оказалась полезной при оценке сезонных факторов для временных рядов. См. Миллер и Уильямс (IJF, 2003) .
источник
Как уже упоминалось, Джеймс-Стейн не часто используется напрямую, но на самом деле это первая статья об усадке, которая, в свою очередь, используется практически везде при одиночной и множественной регрессии. Связь между Джеймсом-Стейном и современной оценкой подробно объясняется в этой статье Э.Кандесом. Возвращаясь к вашему вопросу, я думаю, что Джеймс-Стейн - интеллектуальное любопытство, в том смысле, что оно было интеллектуальным, но оно оказало невероятно разрушительное влияние на статистику, и никто не мог отклонить это как любопытство впоследствии. Все думали, что эмпирические средства были допустимой оценкой, и Штейн доказал их неправильно контрпримером. Остальное уже история.
источник
См. Также Jennrich, RJ, Oman, SD "Насколько оценка Стейна помогает в множественной линейной регрессии?" Technometrics , 28 , 113-121, 1986.
источник
Корбиниан Стриммер использует оценку Джеймса-Стейна для вывода генных сетей . Я использовал его пакеты R несколько раз, и это, кажется, дает очень хороший и быстрый ответ.
источник