Target estimation for bias and mean square error reduction
以目标估计降低偏差与均方误差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：核心是通用偏差修正理论，自回归等只是应用示例，不足以将研究主体限定到某个所列细分。
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
以目标估计降低偏差与均方误差
- 研究问题
- 给定统计泛函与参数分布族，能否通过使统计量期望等于观测值的构造形成新估计量，并降低其偏差和均方误差？
- 方法与思路
- 作者定义目标估计量，利用高阶 von Mises 展开分析其性质，并在位置尺度、自回归、测量误差及逻辑回归等模型中应用。
- 材料陈述的贡献
- 摘要称，在一定正则条件下，目标估计量具有更小的偏差和均方误差；文章还提供示例及与 jackknife、bootstrap 的比较。
- 阅读关注点
- 阅读时应核对期望匹配方程的求解与唯一性、改善所需的正则条件、展开余项，以及与重抽样方法比较的具体标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，改善条件和比较结果未提供，不能声称目标估计量在所有模型或样本量下均占优。
原文摘要
Given a statistical functional T and a parametric family of distributions, a bias reduced functional $\tilde{T}$ is defined by setting the expected value of the statistic equal to the observed value. Under certain regularity conditions this new statistic, called the target estimator, will have smaller bias and mean square error than the original estimator. The theoretical aspects are analyzed by using higher order von Mises expansions. Several examples are given, including $M$-estimates of location and scale. The procedure is applied to an autoregressive model, the errors-in-variables model and the logistic regression model. A comparison with the jackknife and the bootstrap estimators is also included.