Ich habe kürzlich etwas über empirische Bayes gelesen (Casella, 1985, Eine Einführung in die empirische Bayes-Datenanalyse) und es sah einem Zufallseffektmodell sehr ähnlich. dass beide Schätzungen auf den globalen Mittelwert geschrumpft sind. Aber ich habe es nicht durchgelesen ...
Hat jemand einen Einblick in die Ähnlichkeit und Unterschiede zwischen ihnen?
Antworten:
Es gibt bereits Mitte der 1970er Jahre einen wirklich großartigen Artikel in JASA über den James-Stein-Schätzer und die empirische Bayes-Schätzung mit einer besonderen Anwendung zur Vorhersage von Durchschnittswerten von Baseballspielern. Die Einsicht, die ich dazu geben kann, ist das Ergebnis von James und Stein, die zur Überraschung der statistischen Welt zeigten, dass für eine multivariate Normalverteilung in drei oder mehr Dimensionen der MLE, der Vektor der Koordinatenmittelwerte, unzulässig ist.
Der Beweis wurde erbracht, indem gezeigt wurde, dass ein Schätzer, der den Mittelwertvektor in Richtung des Ursprungs verkleinert, auf der Grundlage des mittleren quadratischen Fehlers als Verlustfunktion einheitlich besser ist. Efron und Morris zeigten, dass in einem multivariaten Regressionsproblem unter Verwendung eines empirischen Bayes-Ansatzes die Schätzer, zu denen sie gelangen, Schrumpfungsschätzer des James-Stein-Typs sind. Sie verwenden diese Methode, um die Durchschnittswerte der Schläge für die letzte Saison von Baseballspielern der Major League auf der Grundlage ihres frühen Saisonergebnisses vorherzusagen. Die Schätzung bewegt den individuellen Durchschnitt aller Spieler auf den höchsten Durchschnitt aller Spieler.
Ich denke, dies erklärt, wie solche Schätzer in multivariaten linearen Modellen entstehen können. Es verbindet es nicht vollständig mit einem bestimmten Mixed-Effects-Modell, kann aber ein guter Weg in diese Richtung sein.
Einige Referenzen :
quelle