A comparison of related density-based minimum divergence estimators
相关密度型最小散度估计量的比较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：摘要比较通用参数估计方法的效率与稳健性，未指向所列因果、面板、时间序列或金融应用。
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
相关密度型最小散度估计量的比较
- 研究问题
- 研究两类包含最大似然特例的最小散度估计方法，在参数模型成立时的效率和面对模型偏离时的稳健性有何差异。
- 方法与思路
- 作者比较Basu等人的方法与另一类最小散度估计，指出后者等价于Windham的方法，并分别考察模型内效率及稳健性质。
- 材料陈述的贡献
- 摘要称两类方法总体表现相近，同时识别出前一种方法的若干小幅优势；这些结论针对文中所研究的效率和稳健性标准。
- 阅读关注点
- 应核对两种散度的定义、调节参数如何匹配、效率与稳健性采用何种指标，以及所谓小幅优势出现在哪些具体情形。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；优势的条件、大小及计算代价未说明，不能据此断言某方法对所有参数模型均更好。
原文摘要
This paper compares the minimum divergence estimator of Basu et al. (1998) to a competing minimum divergence estimator which turns out to be equivalent to a method proposed from a different perspective by Windham (1995). Both methods can be applied for any parametric model and contain maximum likelihood as a special case. Efficiencies are compared under model conditions, and robustness properties are studied. Overall the two methods are found to perform quite similarly. Some relatively small advantages of the former method over the latter are identified.