Pretest, Shrinkage and Penalty Estimation Strategies: Past, Present Trends and Future
Bancroft (1944) suggested pretest estimation under certain prior information, and then Stein (1956) revealed the most stunning result that the classical maximum likelihood estimator is inadmissible to the suggested shrinkage estimator. There is a direct connection between these two strategies. Since the inception, the pretest and shrinkage strategies have received considerable attention from researchers. Professor A. K. E. Saleh made a significant contribution in this area. I will highlight some of his research contributions. Further, I will pose some new related research problems.
Interestingly, modern penalized prediction strategies extend such procedures powerfully. The pretest and shrinkage strategies continue to be useful tools for efficient prediction. I will present some perspectives and historical developments on theses strategies and applications in big data analytics and machine learning.
Interestingly, modern penalized prediction strategies extend such procedures powerfully. The pretest and shrinkage strategies continue to be useful tools for efficient prediction. I will present some perspectives and historical developments on theses strategies and applications in big data analytics and machine learning.
Stratégies de prétest, de rétrécissement et d'estimation des pénalités : tendances passées, présentes et futures
Bancroft (1944) a suggéré une estimation de prétest en fonction de certaines informations a priori, puis Stein (1956) a révélé un résultat tout à fait étonnant selon lequel l'estimateur de vraisemblance maximale classique est inadmissible pour l'estimateur de rétrécissement suggéré. Il existe un lien direct entre ces deux stratégies. Depuis leur création, les stratégies de prétest et de rétrécissement ont reçu une attention considérable de la part des chercheurs. Le professeur A. K. E. Saleh a apporté une contribution significative dans ce domaine. Je soulignerai certaines de ses contributions à la recherche. De plus, je poserai quelques nouveaux problèmes de recherche connexes. Il est intéressant de noter que les stratégies modernes de prédiction pénalisée élargissent ces procédures de façon puissante. Les stratégies de prétest et de rétrécissement continuent d'être des outils utiles pour une prédiction efficace. Je présenterai quelques perspectives et développements historiques sur ces stratégies et ses applications dans l'analyse de mégadonnées et pour l'apprentissage automatique.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English