Uniform Asymptotic Normality of the Maximum Likelihood Estimator
极大似然估计量的一致渐近正态性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：摘要讨论一般似然渐近理论，提及随机过程但未明确给出宏观时间序列模型。
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
极大似然估计量的一致渐近正态性
- 研究问题
- 如何建立极大似然估计的弱一致性与一致渐近正态性，尤其适用于随机过程参数中使用随机归一化的估计量？
- 方法与思路
- 作者围绕随机信息函数的正则条件提出一般性结果，并讨论其在随机归一化极大似然估计和相关随机过程参数问题中的应用。
- 材料陈述的贡献
- 摘要称，所给结果建立弱一致性和一致渐近正态性，对随机过程中的随机归一化估计尤其有用，并称相关条件易于核验。
- 阅读关注点
- 应核对一致性所覆盖的参数集合、随机信息函数的精确条件、随机归一化方式，以及应用中验证这些条件的步骤。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；所谓正则条件和应用细节未提供，不能把作者所称的一般性理解为适用于任意随机过程。
原文摘要
A very general result concerning the weak consistency and uniform asymptotic normality of the maximum likelihood estimator is presented. The result proves to be of particular value in establishing uniform asymptotic normality of randomly normalized maximum likelihood estimators of parameters in stochastic processes. The only conditions imposed are certain regularity conditions on the (random) information function, easily verified in practice. Application of the result is briefly considered.