Inadmissibility of the best equivariant predictive density in the unknown variance case
方差未知时最佳等变预测密度的不可容许性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：摘要研究通用预测密度的决策理论性质，未涉及时间序列预测、资产收益或其他所列应用领域。
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
方差未知时最佳等变预测密度的不可容许性
- 研究问题
- 当随机向量的均值与方差均未知时，常用的最佳等变预测密度在 Kullback–Leibler 损失下是否仍具有可容许性？
- 方法与思路
- 作者在非渐近框架下研究预测密度的决策风险，证明该情境中参照密度的不可容许性，并讨论预测与参数估计的联系。
- 材料陈述的贡献
- 摘要称，不可容许性结论在向量维度小于三时仍成立，与已知方差情形形成差别；论文还讨论预测和估计问题之间的关系。
- 阅读关注点
- 应核对抽样模型、参照预测密度的具体形式、改进密度与风险比较条件，以及低维结论和已知方差结果的适用差异。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体抽样分布、支配构造与证明条件未提供，不能补造风险公式。
原文摘要
This work treats the problem of estimating the predictive density of a random vector when both the mean vector and the variance are unknown. We prove that the density of reference in this context is inadmissible under the Kullback–Leibler loss in a nonasymptotic framework. Our result holds even when the dimension of the vector is strictly lower than three, which is surprising compared to the known variance setting. Finally, we discuss the relationship between the prediction and the estimation problems.