Estimation of a Symmetric Distribution
对称分布的估计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：摘要讨论对称分布的通用估计与极小极大理论，未明确涉及分位数或分布效应等所列经济计量细分。
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
对称分布的估计
- 研究问题
- 当总体关于未知位置参数对称时，如何估计分布形状、位置与完整分布，并判断未知位置是否影响形状估计效率？
- 方法与思路
- 作者先建立渐近极小极大风险界，再构造一致达到这些界的估计量，并研究修改后的既有估计量在特定邻域中的效率。
- 材料陈述的贡献
- 摘要称，未知位置下的形状估计可以与已知位置时同样有效，并证明修改后的 Stone 估计量具有相应渐近效率。
- 阅读关注点
- 阅读全文时应核对风险函数、参数空间、统一达到风险界的含义，以及 Hellinger 邻域和估计量修改的具体形式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；效率结论依赖未展开的风险与邻域设定，不能据此声称有限样本同样有效。
原文摘要
Suppose that $F_0$ is a population which is symmetric about zero, so that $F(\cdot) = F_0(\cdot - \theta)$ is symmetric about $\theta$. We consider the problem of estimating $F_0$ (shape parameter), both $\theta$ and $F_0$, and $F$ based on a random sample from $F$. First, some asymptotically minimax bounds are obtained. Then, some estimates are constructed which are asymptotically minimax-efficient (the risks of which achieve the minimax bounds uniformly). Furthermore, it is pointed out that one can estimate $F_0$, the shape of $F$, as well without knowing the location parameter $\theta$ as with knowing it. After a slight modification, Stone's (1975) estimator is proved to be asymptotically minimax-efficient in the Hellinger neighborhood.