The Cumulant Generating Function Estimation Method
累积量生成函数估计法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：摘要讨论通用分布参数估计，未提供足以归入所列应用领域的文本证据。
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
累积量生成函数估计法
- 研究问题
- 在密度函数未知或在参数空间中无界时，能否利用经验累积量生成函数一致估计分布参数，并建立可实施的估计程序？
- 方法与思路
- 作者以独立同分布数据的经验累积量生成函数构造参数估计，讨论与经验特征函数方法的关系，给出六步程序并考虑非独立同分布扩展。
- 材料陈述的贡献
- 摘要称，论文证明该方法与经验特征函数方法渐近等价，提供实施流程、应用讨论及算例，并考察向非独立同分布情形扩展。
- 阅读关注点
- 应核对累积量生成函数的存在域、参数识别与一致性条件、渐近等价的具体含义，以及六步程序和非独立同分布扩展的限制。
- 阅读边界
- 仅据所给 Crossref 摘要；生成函数存在性、权重选择及非独立同分布扩展的具体条件未说明，不能推断其他版本的变化。
原文摘要
This paper deals with the use of the empirical cumulant generating function to consistently estimate the parameters of a distribution from data that are independent and identically distributed (i.i.d.). The technique is particularly suited to situations where the density function is unknown or unbounded in parameter space. We prove asymptotic equivalence of our technique to that of the empirical characteristic function and outline a six-step procedure for its implementation. Extensions of the approach to non-i.i.d. situations are considered along with a discussion of suitable applications and a worked example.