Stochastic Expansions and Asymptotic Approximations
随机展开与渐近近似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：摘要研究一般估计量和检验统计量的高阶渐近理论，未提供归入所列具体领域的充分依据。
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
随机展开与渐近近似
- 研究问题
- 估计量或检验统计量随机展开的前几项，何时能提供比极限正态或卡方近似更精确的分布近似？
- 方法与思路
- 作者在一般条件下研究截断随机展开的分布函数与原统计量分布函数之间的误差，并据此讨论精细渐近方法的有效性。
- 材料陈述的贡献
- 摘要称，这种近似的误差阶数更小，可用于确立 Nagar 型矩比较及形式 Edgeworth 或类似展开的有效性。
- 阅读关注点
- 应核对随机展开的截断阶数、余项和分布近似的误差标准，以及从分布近似推导矩比较所需的额外条件。
- 阅读边界
- 仅依据所给 Crossref 摘要，无法确定一般条件、误差阶数或均匀性，也不能认定所有形式高阶展开都有效。
原文摘要
Under general conditions the distribution function of the first few terms in a stochastic expansion of an econometric estimator or test statistic provides an asymptotic approximation to the distribution function of the original estimator or test statistic with an error of order less than that of the limiting normal or chi-square approximation. This can be used to establish the validity of several refined asymptotic methods, including the comparison of Nagar-type moments and the use of formal Edgeworth or Edgeworth-type approximations.