基于动态信息借用的大样本推断

本文研究了动态信息借用（DIB）估计量的大样本行为。在趋于零的备择假设下，探讨了几种 DIB 方法（自适应风险最小化、自适应 LASSO、基于经验幂先验的贝叶斯程序、完全贝叶斯程序以及贝叶斯-频率主义折中方法）的渐近性质。理论和模拟表明，DIB 估计量的局部渐近分布通常是非正态的。一个带有外部信息借用的简单高斯设置表明，在均方误差（MSE）方面，所考虑的 DIB 方法均未优于其他方法：在不同的冲突值下，DIB 的 MSE 在基于当前数据和合并数据的最大似然估计量的 MSE 之间变化。为了唯一确定 DIB 的最优性准则，需要使用独立于数据的考虑，隐式或显式地确定冲突上的先验分布。基于 DIB 的假设检验也需要对冲突进行独立于数据的假设。本文提出了由冲突敏感度参数 S 参数化的新 DIB 估计量族，并通过婴儿死亡率示例说明了它们的使用。S 的选择以独立于数据的方式确定，由与外部数据使用相关的成本效益折中决定。