The Foundations of Finite Sample Estimation in Stochastic Processes
随机过程有限样本估计的基础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：随机过程的通用有限样本理论未明确涉及时间序列模型，不足以选择所列领域细分。
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…
关注这篇论文的作者
随机过程有限样本估计的基础
- 研究问题
- 能否在随机过程框架中建立类似高斯—马尔可夫定理的结果，使有限样本估计主要依赖分布的前两阶矩而非完整分布？
- 方法与思路
- 作者以线性模型中高斯—马尔可夫定理的矩条件思想为出发点，在随机过程语境下建立类似定理，并将其用于有限样本估计。
- 材料陈述的贡献
- 摘要称，研究建立了随机过程框架中的类似定理，并据此解决若干有限样本估计问题；未列出具体问题或估计量形式。
- 阅读关注点
- 应核对随机过程的类别、观测方式、估计量比较范围，以及定理对均值和协方差的要求与各项有限样本应用。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要解读，不能推断刊本变化；摘要未说明定理假设、最优性范围和应用细节。
原文摘要
The Gauss-Markov theorem on least squares for linear models derives its general applicability because it depends on the underlying distribution only through the first two moments. In this paper, a similar theorem is established within the context of stochastic processes. Various problems of finite sample estimation are solved by application of this theorem.