Asymptotically Efficient Stochastic Approximation; The RM Case
渐近有效的随机逼近：RM 情形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：材料属于通用随机逼近与渐近效率理论，摘要未指定经济模型、时间序列或金融估计任务，因此细分分类证据不足。
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
渐近有效的随机逼近：RM 情形
- 研究问题
- 已有随机逼近方法在已知函数值估计误差密度时可达到渐近效率，RM 情形能否在未知该密度时保持同样的渐近结果？
- 方法与思路
- 作者针对 RM 型随机逼近研究未知误差密度的情形；摘要将其与依赖已知密度的观测变换方法比较，但未展开新方法步骤。
- 材料陈述的贡献
- 摘要称无需预先知道误差密度，也能在 RM 情形达到先前已知密度方法的同一渐近结果，从而放宽信息要求。
- 阅读关注点
- 应核对未知密度情况下的具体更新与观测处理方法、效率的定义及正则条件，并确认结论是否仅针对 RM 情形。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明算法构造和具体条件，本文结论不能据此延伸到所提及的 KW 情形。
原文摘要
Anbar (1971) and, independently, Abdelhamid (1971) have shown that if the density $g$ of the errors of estimates of function values is known, a transformation of observations leads to stochastic approximation methods which under mild conditions produce asymptotically efficient estimators (the first author considers the RM case, the second the RM and KW cases). This paper treats the RM case and shows that the same asymptotic result can be achieved without the knowledge of the density $g$.