A Minimax Criterion for Choosing Weight Functions for $L$-Estimates of Location
位置参数 L 估计权重函数的极小极大选择准则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：摘要研究一般稳健位置估计的决策准则，使用次序统计量不足以归入分位数与分布效应。
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
位置参数 L 估计权重函数的极小极大选择准则
- 研究问题
- 对基于次序统计量的对称分布位置估计，如何选择权重函数，使尺度标准化后的最坏情形渐近方差尽可能小？
- 方法与思路
- 作者由尺度度量限定对称分布子类与权重函数类，在这些集合上优化标准化渐近方差，并考察不同尺度选择对应的权重。
- 材料陈述的贡献
- 摘要称，论文找到实现该极小极大目标的权重函数；在特定尺度度量下，样本均值和截尾均值分别作为问题的解出现。
- 阅读关注点
- 应核对尺度度量如何限定分布与权重类、正则条件及最优解形式；摘要的渐近表达未显示中心化，应查原文确认。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；渐近表达的中心化需核对原文，不据此重构公式；最优性限于指定分布类和准则。
原文摘要
Let $X_1, \cdots, X_n$ be independent with common distribution $F$ symmetric about $\mu$. Let $T_n = n^{-1} \sum^n_{i = 1} J(i/(n + 1))X_{in}$ be an $L$-estimate of $\mu$ based on a weight function $J$ and the order statistics $X_{1n} \leq \cdots \leq X_{nn}$ of $X_1, \cdots, X_n$. Under very general regularity conditions $n^{1/2}T_n$ has asymptotic variance $\sigma^2(J, F)$. A weight function $J_0$ is found that minimizes the maximum of $\sigma^2(J, F)/s^2(F)$, whenever $s(F)$ is a measure of scale of a general type, as $F$ ranges over a subclass of the symmetric distributions determined by $s(F)$ and $J$ ranges over a class of weight functions also determined by $s(F)$. The sample mean and the trimmed mean arise as the solutions for particular choices of scale measures.