Asymptotic Normmality of Maximum Likelihood Estimators Obtained from Normally Distributed but Dependent Observations
基于正态但相依观测的最大似然估计量的渐近正态性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：摘要仅说明一般相依正态观测的最大似然理论，未明确时间序列、面板或金融等具体结构。
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
基于正态但相依观测的最大似然估计量的渐近正态性
- 研究问题
- 在观测联合正态、但既不独立也不必同分布的多参数模型中，哪些可核验条件能保证最大似然估计的渐近正态性和一阶效率？
- 方法与思路
- 作者建立适用于相依且非同分布正态观测的最大似然渐近理论，提出五个逐级特化的定理及相关引理和命题。
- 材料陈述的贡献
- 摘要称，论文旨在给出直观且可验证的一阶效率与渐近正态条件，并用一系列相互包含的定理呈现适用框架。
- 阅读关注点
- 应核对相依结构、均值与协方差的参数化、信息矩阵的增长条件，以及五个定理之间各自增加了哪些限制。
- 阅读边界
- 仅据所给 Crossref 摘要，具体条件和证明未提供；不能据此覆盖非正态观测或任意相依结构，也无法判断版本变化。
原文摘要
In this article we aim to establish intuitively appealing and verifiable conditions for the first-order efficiency and asymptotic normality of ML estimators in a multi-parameter framework, assuming joint normality but neither the independence nor the identical distribution of the observations. We present five theorems (and a large number of lemmas and propositions), each being a special case of its predecessor.