A Comparison of Minimum Distance and Maximum Likelihood Estimation of a Mixture Proportion
混合比例的最小距离与最大似然估计比较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：摘要研究通用混合分布参数估计，没有经济结构、个体选择或分布效应的直接依据，因此不作领域细分。
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…
混合比例的最小距离与最大似然估计比较
- 研究问题
- 在两个正态分量的五个参数均未知时，最小距离与最大似然估计如何比较，分量偏离正态又会怎样改变表现？
- 方法与思路
- 作者以模拟比较两类混合模型参数估计，讨论迭代实现与起始值，并推导最小距离估计的渐近性质和相对效率。
- 材料陈述的贡献
- 摘要称正态设定下最大似然较好，对称偏离下最小距离较好，并给出后者的强一致性、渐近正态性及渐近方差。
- 阅读关注点
- 应核对混合模型的识别与参数条件、距离准则、迭代初始化，以及模拟中对称偏离的类型和估计性能度量。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；比较依赖具体分布与算法设置，未说明全部定理条件或数值，不能推断刊本变化。
原文摘要
The estimation of mixing proportions in the mixture model is discussed, with emphasis on the mixture of two normal components with all five parameters unknown. Simulations are presented that compare minimum distance (MD) and maximum likelihood (ML) estimation of the parameters of this mixture-of-normals model. Some practical issues of implementation of these results are also discussed. Simulation results indicate that ML techniques are superior to MD when component distributions actually are normal, but MD techniques provide better estimates than ML under symmetric departures from component normality. Interestingly, an ad hoc starting value for the iterative procedures occasionally outperformed both the ML and MD techniques. Results are presented that establish strong consistency and asymptotic normality of the MD estimator under conditions that include the mixture-of-normals model. Asymptotic variances and relative efficiencies are obtained for further comparison of the MD and ML estimators.