Maximum Lq-likelihood estimation
最大 Lq 似然估计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：摘要提出通用参数估计方法，没有足够文本依据归入所列经济或金融计量细分领域。
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
最大 Lq 似然估计
- 研究问题
- 能否通过对假定模型施加由 q 控制的畸变，在中小样本中以偏差换取精度，并在大样本中保持渐近正态性与效率？
- 方法与思路
- 作者基于非广延熵提出最大 Lq 似然估计量，通过渐近分析与模拟研究 q 的作用，并分析 q 趋于一时的估计性质。
- 材料陈述的贡献
- 摘要称适当选取 q 可在中小样本中降低均方误差，并建立大样本且 q 趋于一时保证渐近正态性与效率的必要充分条件。
- 阅读关注点
- 应核对目标函数、q 的选择及其趋近速度、偏差与方差的具体权衡，以及必要充分条件和模拟比较涉及的模型范围。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未给出 q 的选择规则或效率条件，均方误差改善不能推广到任意模型。
原文摘要
In this paper, the maximum Lq-likelihood estimator (MLqE), a new parameter estimator based on nonextensive entropy [Kibernetika 3 (1967) 30–35] is introduced. The properties of the MLqE are studied via asymptotic analysis and computer simulations. The behavior of the MLqE is characterized by the degree of distortion q applied to the assumed model. When q is properly chosen for small and moderate sample sizes, the MLqE can successfully trade bias for precision, resulting in a substantial reduction of the mean squared error. When the sample size is large and q tends to 1, a necessary and sufficient condition to ensure a proper asymptotic normality and efficiency of MLqE is established.