On Asymptotically Efficient Recursive Estimation
渐近有效的递归估计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：摘要讨论一般随机逼近与递归估计效率，没有所列时间序列或其他应用细分方向的明确依据。
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
渐近有效的递归估计
- 研究问题
- 以随机逼近最小化 Kullback–Leibler 信息时，如何保证递归估计收敛，并在较弱条件下达到渐近最优性？
- 方法与思路
- 作者提出替代收敛条件，并修改随机逼近程序，利用一致估计将迭代序列引向 Kullback–Leibler 信息的适当局部极小值。
- 材料陈述的贡献
- 摘要称修改后的程序可在较弱条件下达到渐近最优，其条件接近或弱于一步修正最大似然方法所需的条件。
- 阅读关注点
- 应核对随机逼近更新、步长与一致初始估计的要求，查看适当局部极小值如何确定，以及渐近最优性的比较标准。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要；具体条件和算法未提供，不能推断有限样本效率或任意初始值下的全局收敛。
原文摘要
Stochastic approximation procedures were shown by Sakrison to become asymptotically efficient estimators when used to minimize the Kullback-Leibler information, if certain conditions hold. Further results in this direction were obtained by Nevel'son and Has'minskij. This paper gives, first, alternative conditions for convergence and, secondly, shows that, under weaker conditions, asymptotic optimality is obtained by a modified stochastic approximation procedure. The modified procedure uses a consistent estimate which leads the approximating sequence to a proper local minimum of the Kullback-Leibler information. The conditions under which the procedure is asymptotically optimal are close to or weaker than those for asymptotic optimality of one-step-correction maximum likelihood methods.