Consistent Estimation of a Mixing Distribution
混合分布的一致估计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：摘要涉及一般混合分布估计和交通事故示例，未研究分位数或经济分布效应，不足以归入所列细分方向。
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
混合分布的一致估计
- 研究问题
- 如何一致估计未知混合分布，估计的成分数与真实成分数有什么关系，固定成分数约束会导致什么极限？
- 方法与思路
- 作者提出最大惩罚似然方法，以弱收敛讨论一致性，分析固定有限成分约束的极限，并以交通事故泊松混合示例说明。
- 材料陈述的贡献
- 摘要称得到一致性及最大似然一致性的新证明，并刻画成分数的大样本下界与固定成分数下的 KL 最小化极限。
- 阅读关注点
- 应核对混合模型的可识别性条件、惩罚项要求、成分数结论的概率含义，以及 KL 准则具体作用于何种分布。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；一致性条件及 KL 极限的细节未说明，成分数下界也不等于准确恢复成分数。
原文摘要
A maximum-penalized-likelihood method is proposed for estimating a mixing distribution and it is shown that this method produces a consistent estimator, in the sense of weak convergence. In particular, a new proof of the consistency of maximum-likelihood estimators is given. The estimated number of components is shown to be at least as large as the true number, for large samples. Also, the large-sample limits of estimators which are constrained to have a fixed finite number of components are identified as distributions minimizing Kullback-Leibler divergence from the true mixing distribution. Estimation of a Poisson mixture distribution is illustrated using the distribution of traffic accidents presented by Simar.