Information theory and superefficiency
信息论与超效率AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用估计风险与信息论，未提供所列经济或金融领域细分的直接依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
信息论与超效率
- 研究问题
- 作者研究平滑参数统计模型中，任意估计量在哪些参数值上可能超效率，以及这些参数集合是否在测度意义下可忽略。
- 方法与思路
- 作者采用信息论论证，将 Kullback–Leibler 损失下的渐近风险与编码冗余下界联系起来，用于分析超效率集合。
- 材料陈述的贡献
- 摘要称，在较一般条件下，给出超效率参数集合可忽略的简洁信息论证明；具体条件及测度设定未在摘要中展开。
- 阅读关注点
- 应核对模型平滑性、损失和超效率的定义、零测集所用测度，以及编码冗余下界如何连接到估计风险。
- 阅读边界
- OpenAlex 索引摘要版本未注明；风险表达式 $k/2_n$ 排版不清，必须核对原文，不能重构公式或据此推导风险速度。
原文摘要
The asymptotic risk of efficient estimators with Kullback–Leibler loss in smoothly parametrized statistical models is $k/2_n$, where $k$ is the parameter dimension and $n$ is the sample size. Under fairly general conditions, we given a simple information-theoretic proof that the set of parameter values where any arbitrary estimator is superefficient is negligible. The proof is based on a result of Rissanen that codes have asymptotic redundancy not smaller than $(k/2)\log n$, except in a set of measure 0.