Asymptotic theory and first-order bias of the Wallace--Freeman estimator
Wallace--Freeman 估计量的渐近理论与一阶偏差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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论的是估计量的渐近理论、惩罚似然与偏差展开等通用计量理论问题，未涉及所提供领域细分中的因果推断、面板、时间序列、金融等具体方向，故不选择任何细分领域。
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
Wallace--Freeman 估计量的渐近理论与一阶偏差
- 研究问题
- 摘要称，Wallace--Freeman 估计量作为经典的最小消息长度估计量，其与基于似然的渐近理论之间的关系尚未被充分发展；本文研究该估计量的渐近性质及其与最大似然估计的关系。
- 方法与思路
- 作者提出，在正则参数模型中，Wallace--Freeman 准则在相差常数的意义下等价于惩罚权重为 n^{-1} 的惩罚似然准则，从而将其纳入标准惩罚 M 估计理论，并在正则条件下推导存在性、一致性、渐近线性展开与渐近正态性。
- 材料陈述的贡献
- 摘要称，作者进一步推导出 Wallace--Freeman 估计量与最大似然估计量之间的一阶差异，表现为由惩罚梯度决定的显式 O(n^{-1}) 位移；结合 Cox--Snell 公式给出该估计量的一阶偏差展开，并厘清其与最大似然、Jeffreys 先验惩罚及 Firth 型偏差校正的关系。
- 阅读关注点
- 阅读全文时应核对：正则条件的具体内容、惩罚权重 n^{-1} 等价性的精确含义与常数项处理、渐近线性展开与渐近正态性的证明结构、一阶偏差展开的适用条件，以及 Weibull 模型示例中形状参数主导偏差如何被惩罚项改变。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明细节与数值表现，也无法确认 Weibull 示例的具体结果；该来源为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
The Wallace--Freeman estimator is a classical minimum message length estimator whose relationship with likelihood-based asymptotic theory has not been fully developed. We show that, in regular parametric models, the Wallace--Freeman criterion is equivalent, up to constants, to a penalised likelihood criterion with penalty weight \(n^{-1}\). This representation places the estimator within the standard theory of penalised M-estimation and yields existence, consistency, an asymptotic linear expansion, and asymptotic normality under regularity conditions. We further derive the first-order difference between the Wallace--Freeman estimator and the maximum likelihood estimator, showing that it is an explicit \(O(n^{-1})\) shift determined by the gradient of the Wallace--Freeman penalty. Combining this expansion with the Cox--Snell formula gives a first-order bias expansion for the Wallace--Freeman estimator. The result clarifies its relationship with maximum likelihood, Jeffreys-prior penalisation, and Firth-type bias reduction. We illustrate the theory for the Weibull model, where the penalty modifies the leading bias of the maximum likelihood estimator of the shape parameter.