Large Sample Point Estimation: A Large Deviation Theory Approach
大样本点估计：大偏差理论方法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：摘要讨论通用点估计的大偏差与高阶效率，没有所列经济计量方向的直接内容，故保留空的领域细分。
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
大样本点估计：大偏差理论方法
- 研究问题
- 一致估计量尾概率如何以指数速度衰减，最大似然估计的高阶效率与模型统计曲率之间存在怎样的联系？
- 方法与思路
- 作者使用大偏差方法研究尾概率界与指数衰减率，推导最大似然估计的 Bahadur 界和指数率的渐近展开。
- 材料陈述的贡献
- 摘要称得到与已有二阶效率结果平行的结论，并支持统计曲率较小时最大似然估计接近最优的几何观察。
- 阅读关注点
- 应核对尾事件与指数率的定义、展开阶数和正则条件，并明确二阶效率及接近最优所采用的比较准则。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体展开式、曲率条件与最优性范围未说明，不能解释为一般有限样本最优。
原文摘要
In this paper the exponential rates of decrease and bounds on tail probabilities for consistent estimators are studied using large deviation methods. The asymptotic expansions of Bahadur bounds and exponential rates in the case of the maximum likelihood estimator are obtained. Based on these results we have obtained a result parallel to the Fisher-Rao-Efron result concerning second-order efficiency (see Efron, 1975). Our results also substantiate the geometric observation given by Efron (1975) that if the statistical curvature of the underlying distribution is small, then the maximum likelihood estimator is nearly optimal.