Estimators and Spread
估计量与分布的离散程度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：摘要属于一般估计理论，分布函数比较本身不足以归为分位数与分布效应研究。
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
估计量与分布的离散程度
- 研究问题
- 对一维参数的任意估计量，包括随机化估计量，能否通过其分布函数在参数空间上的加权平均建立普遍的表现界？
- 方法与思路
- 作者将估计量分布函数的适当平均与由权重及观测分布族定义的基准分布比较，证明非渐近离散程度不等式。
- 材料陈述的贡献
- 摘要称该不等式为任意估计量提供表现界，并可导出局部渐近极小极大不等式及经典超效率结果的推广。
- 阅读关注点
- 应核对离散程度的比较定义、权重函数与基准分布构造、正则条件，以及从非渐近界推导两类渐近结果的步骤。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本。摘要未给出不等式形式和完整正则条件，不能将加权平均层面的界直接当作每个参数点的表现界。
原文摘要
Arbitrary, possibly randomized estimators of a one-dimensional parameter are considered. It is shown that suitable averages of their distribution functions are more spread out than particular distribution functions, which are defined in terms of the weight functions by which the averages are taken over the parameter space and in terms of the family of distributions for the random quantity on which the estimators are based. In this way bounds are provided for the performance of arbitrary estimators of the parameter. As consequences of this nonasymptotic spread inequality, which will be proved under mild regularity conditions, a local asymptotic minimax inequality and a generalization of the classical results on superefficiency can be derived, thus showing the strength of our spread inequality.