Convergence of Estimates Under Dimensionality Restrictions
维度约束下估计量的收敛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：摘要研究一般统计实验中的检验与估计速率，没有所列应用细分方向的直接证据。
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
维度约束下估计量的收敛
- 研究问题
- 以 Hellinger 距离衡量参数差异时，检验能够分离参数的速率是否也能由估计量达到，参数空间维度如何影响这一关系？
- 方法与思路
- 作者考察参数集的度量维度限制，研究检验分离速率与估计收敛速率的联系，并分析贝叶斯和最大概率估计。
- 材料陈述的贡献
- 摘要称两类速率一般未必一致，但在特定度量维度条件下可以对应，且这些条件保证所述估计量达到要求的速率。
- 阅读关注点
- 应核对度量维度假设的确切定义、检验能力的量化方式，以及贝叶斯估计和最大概率估计的构造与收敛结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体维度条件、先验要求及最大概率估计的定义未说明，不能将结论套用于任意参数空间。
原文摘要
Consider independent identically distributed observations whose distribution depends on a parameter $\theta$. Measure the distance between two parameter points $\theta_1, \theta_2$ by the Hellinger distance $h(\theta_1, \theta_2)$. Suppose that for $n$ observations there is a good but not perfect test of $\theta_0$ against $\theta_n$. Then $n^{\frac{1}{2}}h(\theta_0, \theta_n)$ stays away from zero and infinity. The usual parametric examples, regular or irregular, also have the property that there are estimates $\hat{\theta}_n$ such that $n^{\frac{1}{2}}h(\hat{\theta}_n, \theta_0)$ stays bounded in probability, so that rates of separation for tests and estimates are essentially the same. The present paper shows that need not be true in general but is correct under certain metric dimensionality assumptions on the parameter set. It is then shown that these assumptions imply convergence at the required rate of the Bayes estimates or maximum probability estimates.