Uniqueness and Frechet Differentiability of Functional Solutions to Maximum Likelihood Type Equations
极大似然型方程泛函解的唯一性与 Fréchet 可微性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：摘要研究通用统计泛函、选根与稳健估计理论，没有所列经济计量细分方向的明确证据。
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
极大似然型方程泛函解的唯一性与 Fréchet 可微性
- 研究问题
- 极大似然型方程或 M 估计的解何时局部存在且唯一，多解时又如何通过选根规则保证统计泛函的可微性？
- 方法与思路
- 作者将方程解表示为统计泛函，分别研究局部根的存在唯一性和多根情形下的损失选择条件，并给出柯西分布例子。
- 材料陈述的贡献
- 摘要称获得易检验的局部存在唯一性条件及可微性结果；柯西位置与尺度的似然方程解被报告具有稳健性和渐近效率。
- 阅读关注点
- 应核对 Fréchet 可微性所用的空间和范数、局部唯一与全局选根的区别，以及稳健性和效率结论的定义与条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体条件与稳健性度量未说明，柯西分布例子不能推广为所有 M 估计的性质。
原文摘要
Solutions of simultaneous equations of the maximum likelihood type or $M$-estimators can be represented as functionals. Existence and uniqueness of a root in a local region of the parameter space are proved under conditions that are easy to check. If only one root of the equation exists, the resulting statistical functional is Frechet differentiable and robust. When several solutions exists, conditions on the loss criterion used to select the root for the statistic ensure Frechet differentiability. An interesting example of a Frechet differentiable functional is the solution of the maximum likelihood equations for location and scale parameters in a Cauchy distribution. The estimator is robust and asymptotically efficient.