James-Stein在野外收缩？

我被詹姆斯·斯坦因收缩的思想所吸引（即，对可能独立的法线向量的一次观测的非线性函数可能是对随机变量均值的更好估计，其中“更好”是通过平方误差来衡量的） ）。但是，我从未在应用程序工作中看到它。显然，我没有足够的阅读能力。是否有经典的例子说明James-Stein在实际应用中改进了估计？如果不是，这种缩水仅仅是出于好奇吗？

James-Stein估计器并未得到广泛使用，但它启发了软阈值法和硬阈值法，这些方法实际上得到了广泛使用。

小波收缩估计（请参见R包wavethresh）在信号处理中被大量使用，收缩的质心（R下的package pamr）用于分类的DNA微阵列，有很多实际的收缩效率示例。

从理论上讲，请参见candes的有关收缩率估计的部分（p20-> James stein，以及此后的部分涉及软阈值和硬阈值）：

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.161.8881&rep=rep1&type=pdf

从评论中编辑：为什么JS收缩比软/硬Thresh少用？

与严格的阈值法相比，詹姆斯·斯坦因在实践上（理论上和实践上）和直觉上的理解都更加困难，但是为什么这个问题是一个好问题！

岭回归是一种收缩形式。参见Draper＆Van Nostrand（1979）。

收缩率也已被证明有助于估计时间序列的季节性因素。参见米勒和威廉姆斯（IJF，2003）。

正如其他人所提到的，James-Stein并不经常直接使用，但实际上是有关收缩率的第一篇论文，而该论文反过来在单次和多次回归中被广泛使用。E.Candes 在本文中详细解释了James-Stein与现代估计之间的联系。回到您的问题，我认为詹姆斯·斯坦因不是出于智力上的好奇心，从某种意义上说，它肯定是智力上的，但是对统计数据却产生了令人难以置信的破坏性影响，此后没有人会因为好奇心而忽略它。每个人都认为经验方法是可以接受的估计量，斯坦因通过反例证明了它们是错误的。剩下的就是历史了。

另请参见Jennrich，RJ，阿曼，SD“ Stein估计对多元线性回归有何帮助？” Technometrics，28，113-121，1986。

Korbinian Strimmer使用James-Stein估计量来推断基因网络。我已经使用了他的R包几次，它似乎提供了一个很好的快速答案。