Estimation of sums of random variables: Examples and information bounds
随机变量函数之和的估计：实例与信息界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：摘要虽提到网络问题实例，但未说明网络依赖或干扰结构；核心是通用有效估计理论，细分领域证据不足。
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
随机变量函数之和的估计：实例与信息界
- 研究问题
- 研究如何估计涉及可观测与不可观测变量的函数之和，并确定此类目标在有限维和无限维模型中的渐近方差下界与有效估计方法。
- 方法与思路
- 作者推导方差下界和卷积定理，建立总和与均值估计的有效影响函数关系，并分析代入估计量及 Robbins 的 u,v 估计量。
- 材料陈述的贡献
- 摘要称，某些代入估计量在有限维模型中渐近有效，Robbins 的 u,v 估计量在无限维混合模型中有效，并给出生物种类等问题的实例。
- 阅读关注点
- 应核对总和估计目标及其随机性、可观测信息结构、影响函数关系，以及两类估计量达到有效界所需的模型条件。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；一般模型条件与实例设置未展开，不能将有效性推广到所有代入估计量或推断刊本变化。
原文摘要
This paper concerns the estimation of sums of functions of observable and unobservable variables. Lower bounds for the asymptotic variance and a convolution theorem are derived in general finite- and infinite-dimensional models. An explicit relationship is established between efficient influence functions for the estimation of sums of variables and the estimation of their means. Certain “plug-in” estimators are proved to be asymptotically efficient in finite-dimensional models, while “u,v” estimators of Robbins are proved to be efficient in infinite-dimensional mixture models. Examples include certain species, network and data confidentiality problems.