Finite Sample Monte Carlo Studies: An Autoregressive Illustration
有限样本蒙特卡洛研究：一个自回归示例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：摘要明确以一阶自回归模型研究估计量的小样本性质，直接对应时间序列方法方向。
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
有限样本蒙特卡洛研究：一个自回归示例
- 研究问题
- 如何依据点估计量的小样本性质进行选择，并在统计决策理论中处理蒙特卡洛研究结论的不确定性，形成更完整的比较？
- 方法与思路
- 作者从抽样视角讨论估计量选择，借助统计决策理论分析并处理蒙特卡洛研究的不确定性，再以一阶自回归模型详细说明程序。
- 材料陈述的贡献
- 摘要称在统计决策框架中分析并解决了多数蒙特卡洛研究的不确定性问题，并通过一阶自回归例子展示完整研究可能如何开展。
- 阅读关注点
- 核对决策问题中的损失函数、参数范围和估计量集合，以及模拟设计、蒙特卡洛误差和一阶自回归初始条件如何影响选择结论。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出损失函数、模拟设定或比较结果，不能认定某个自回归估计量普遍最优。
原文摘要
In this paper the problem of choosing among point estimators on the basis of their small sample properties is discussed from the sampling point of view. The indeterminacy of most Monte Carlo studies is analysed and resolved within the framework of statistical decision theory. A first order autoregressive model is worked through in detail both for its own sake and to illustrate how a complete Monte Carlo study might be done.