High-Order Efficiency in the Estimation of Linear Processes
线性过程估计的高阶效率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：摘要明确研究高斯线性过程的参数估计与渐近效率，直接属于时间序列方法。
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
线性过程估计的高阶效率
- 研究问题
- 对高斯线性过程参数的一阶渐近有效估计，如何借助更高阶的信息损失区分其表现，并判断最大似然估计的最优性？
- 方法与思路
- 作者定义渐近信息损失，比较一阶等价的有效估计，将独立同分布情形的相关分析扩展到高斯线性过程的 Whittle–Walker 模型。
- 材料陈述的贡献
- 摘要称证明了该模型中最大似然估计的最优性，并将关于高斯向量两个二次型独立性的定理扩展到无限维情形。
- 阅读关注点
- 应核对信息损失的定义、比较展开的阶数、候选估计量范围与模型条件，并厘清无限维二次型结论在证明中的作用。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；所述最优性限定于特定高斯线性过程模型，摘要未说明有限样本表现或非高斯推广。
原文摘要
Estimation as a reduction of data is usually accompanied by some loss of information. This paper theoretically compares asymptotically efficient estimation methods for parameters in Gaussian linear processes. By means of the concept of "asymptotic information loss" suitably defined, estimates equivalent to the order of $N^{-\frac{1}{2}}$ are differentiated. This problem was studied by C. R. Rao for multinomial distributions and by K. Takeuchi for the exponential family of distributions. They showed that for the i.i.d. case the maximum likelihood estimate is superior to other efficient estimates. This paper extends their results to the Whittle-Walker model of Gaussian linear processes, demonstrating the optimality of the maximum likelihood estimate for that model. In addition, the paper contains a lemma of independent interest. The Craig-Aitken theorem is concerned with the independence of two quadratic forms of a finite-dimensional Gaussian random vector; the theorem is extended to infinite-dimensional Gaussian random vectors.