A class of smooth estimators for discrete distributions
离散分布的一类平滑估计量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：摘要研究一般离散概率分布的平滑估计，没有选择行为或效用模型，不能把离散分布直接归为离散选择。
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
离散分布的一类平滑估计量
- 研究问题
- 对离散分布，如何通过参数化权重实现平滑估计、选择平滑参数，并评估相对于极大似然估计的均方误差？
- 方法与思路
- 作者构造依赖权重函数的估计量族，给出平滑参数选择的一般程序，并结合大样本理论和小样本模拟进行比较。
- 材料陈述的贡献
- 摘要称，估计量在温和正则条件下强一致且渐近正态，并在所考察的比较中通常获得更小的均方误差。
- 阅读关注点
- 应核对权重函数的约束、正则条件和参数选择准则，以及均方误差比较覆盖的分布、样本量与基准估计量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未报告误差改善数值，通常更优的比较结论不能解释为一致风险支配。
原文摘要
This paper presents a class of smooth weight function estimators for discrete distributions. Any estimator in the class depends on choosing a parameterized set of weights. The resulting estimators are strongly consistent and asymptotically normal under mild regularity conditions. A general procedure for choosing the weight function smoothing parameter is given along with specific solutions in some cases. Mean squared error comparisons with the maximum likelihood estimator based on large-sample theory and small-sample simulations are obtained. Typically, the weight function estimates yield significantly smaller mean squared error in these comparisons.