Sub-Gaussian mean estimators
次高斯均值估计量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：摘要讨论通用均值估计与非渐近理论，重尾分布本身不足以支持金融尾部风险等专门领域分类。
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…
次高斯均值估计量
- 研究问题
- 在独立同分布观测下，均值估计能在何种分布范围内获得次高斯表现，重尾分布又给非渐近估计带来哪些限制？
- 方法与思路
- 作者从非渐近角度定义具有次高斯表现的均值估计量，讨论其在某些重尾分布下的适用性，并证明若干不可能性结果。
- 材料陈述的贡献
- 摘要称同时刻画了均值估计的可行性与限制，包含某些重尾分布下的次高斯估计及不可能性结论，但未给出具体界限。
- 阅读关注点
- 应核对次高斯表现的正式定义、允许的分布与矩条件、置信水平和样本量范围，以及不可能性结果针对的估计量类别。
- 阅读边界
- 来源为未注明稿件版本的OpenAlex索引摘要。摘要未说明具体估计器、矩条件或误差界，不能将某些重尾分布推广为所有重尾分布。
原文摘要
We discuss the possibilities and limitations of estimating the mean of a real-valued random variable from independent and identically distributed observations from a nonasymptotic point of view. In particular, we define estimators with a sub-Gaussian behavior even for certain heavy-tailed distributions. We also prove various impossibility results for mean estimators.