Nearly weighted risk minimal unbiased estimation
近似加权风险最小的无偏估计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：摘要明确给出高斯AR(1)、局部水平模型与AR(1)点预测应用，支持时间序列及预测方向。
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
近似加权风险最小的无偏估计
- 研究问题
- 小样本参数估计中，能否在接近均值无偏或中位数无偏的同时，使估计量的加权平均风险接近同类估计量的最低水平？
- 方法与思路
- 作者开发数值算法，在近似无偏约束下优化加权平均风险，并应用于高斯AR(1)系数、局部水平模型及分位数无偏点预测。
- 材料陈述的贡献
- 摘要称提供可用于多种小样本参数问题的通用数值方法，将近似无偏要求与风险优化结合，并展示时间序列估计和预测用途。
- 阅读关注点
- 应核对无偏程度与风险接近最优的衡量标准、损失函数和权重选择，以及数值离散化和优化误差如何影响最终保证。
- 阅读边界
- 仅据所给出版社摘要，无法判断近似误差界和计算成本；所述估计与预测应用采用高斯模型，不能据此推广至一般过程。
原文摘要
Consider a small-sample parametric estimation problem, such as the estimation of the coefficient in a Gaussian AR(1). We develop a numerical algorithm that determines an estimator that is nearly (mean or median) unbiased, and among all such estimators, comes close to minimizing a weighted average risk criterion. We also apply our generic approach to the median unbiased estimation of the degree of time variation in a Gaussian local-level model, and to a quantile unbiased point forecast for a Gaussian AR(1) process.