On the Minimax Value in the Scale Model with Truncated Data
截断数据尺度模型中的极小极大风险值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：摘要研究一般截断尺度模型的决策理论，未提供所列计量应用方向的充分依据。
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
截断数据尺度模型中的极小极大风险值
- 研究问题
- 正值变量受独立随机阈值的左右截断时，估计尺度参数非零次幂的极小极大风险，是否会因样本量增加而改善？
- 方法与思路
- 作者在归一化平方误差损失下研究两种截断模型，结合基准密度在零点或无穷远处的正则变化性质分析风险值。
- 材料陈述的贡献
- 摘要称，在适当假设下，相应截断模型的极小极大风险值对任意大的样本量仍为一，并存在不依赖样本的平凡可容许估计。
- 阅读关注点
- 应核对左右截断与密度尾端条件的对应关系、归一化损失和参数空间的定义，以及平凡估计的极小极大性与可容许性证明。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；“适当假设”未展开，结论针对特定损失与截断模型，不能解读为所有截断数据均无信息。
原文摘要
Let $X$ be a positive random variable with Lebesgue density $f_\theta(x)$, where $\theta$ is the scale parameter, and let $Y$ be a positive random variable independent of $X$. We consider two models of truncation: the LHS model, where the data consist only of those observations of $X$ for which $X > Y$; and the RHS model, where the data consist of those observations of $X$ for which $X \leq Y$. Consider the problem of estimating $\theta^s, s \neq 0$, under a normalized squared error loss function. It is shown that under appropriate assumptions, if $f_1(\cdot)$ varies regularly at 0 (or $+ \infty$), then the minimax value in the RHS (LHS) model is equal to 1 for arbitrarily large sample size. This implies the existence of trivial minimax and admissible estimators, which do not depend on the sample at all, in contrast with the scale model without truncation.