Asymptotic Properties of Statistical Estimators in Stochastic Programming
随机规划中统计估计量的渐近性质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：摘要研究通用约束优化与统计估计理论，未提供所列计量细分的直接依据。
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
随机规划中统计估计量的渐近性质
- 研究问题
- 当随机规划的可行集受等式与不等式约束时，最优值和最优解的统计估计量具有怎样的渐近行为？
- 方法与思路
- 作者从与 M 估计量密切相关的随机规划估计出发，分析约束对渐近分布的影响，并讨论极大似然和稳健回归例子。
- 材料陈述的贡献
- 摘要称不等式约束存在时，最优值与最优解估计量通常不能保证渐近正态，指出约束推断需区别于常规正态近似。
- 阅读关注点
- 核对最优值与最优解各自的极限结论、约束边界的处理，以及何种条件下非正态现象出现或正态近似仍成立。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未给出具体极限分布、约束资格条件或可行推断方法，不能自行补全。
原文摘要
The aim of this article is to investigate the asymptotic behaviour of estimators of the optimal value and optimal solutions of a stochastic program. These estimators are closely related to the $M$-estimators introduced by Huber (1964). The parameter set of feasible solutions is supposed to be defined by a number of equality and inequality constraints. It will be shown that in the presence of inequality constraints the estimators are not asymptotically normal in general. Maximum likelihood and robust regression methods will be discussed as examples.