Minimax Estimators of a Normal Mean Vector for Arbitrary Quadratic Loss and Unknown Covariance Matrix
未知协方差与一般二次损失下正态均值向量的极小极大估计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：摘要研究正态均值估计的决策理论；这里的风险指统计损失，未涉及金融尾部或系统性风险，故不作金融分类。
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
未知协方差与一般二次损失下正态均值向量的极小极大估计
- 研究问题
- 当多元正态分布的协方差未知、维度至少为三且采用一般二次损失时，如何构造均值向量的极小极大估计量？
- 方法与思路
- 作者结合多元正态与 Wishart 分布的分部积分方法，对由种子函数间接定义的估计类构造相对通常估计量的风险差无偏估计。
- 材料陈述的贡献
- 摘要称该技术提供了某些估计类的风险比较工具，并通过应用这一工具得到一类新的正态均值向量极小极大估计量。
- 阅读关注点
- 核对种子函数条件、独立 Wishart 矩阵的要求、损失矩阵限制，以及风险改进和极小极大性质各自的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体估计式和风险条件未列出，不能断言任意种子函数都产生支配通常估计量的方法。
原文摘要
The problem of finding classes of estimators which dominate the usual estimator $X$ of the mean vector $\mu$ of a $p$-variate normal distribution $(p \geq 3)$ under general quadratic loss is analytically difficult in cases where the covariance matrix is unknown. Estimators of $\mu$ in this case depend upon $X$ and an independent Wishart matrix $W$. In the present paper, integration-by-parts methods for both the multivariate normal and Wishart distributions are combined to yield unbiased estimates of risk difference (versus $X$) for certain classes of estimators, defined indirectly through a "seed" function $h(X, W)$. An application of this technique produces a new class of minimax estimators of $\mu$.