Improving Upon Standard Estimators in Discrete Exponential Families with Applications to Poisson and Negative Binomial Cases
离散指数族中标准估计量的改进：泊松与负二项情形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：摘要属于一般统计决策与离散分布估计，未提供所列经济或金融细分领域依据。
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
离散指数族中标准估计量的改进：泊松与负二项情形
- 研究问题
- 在独立离散指数族观测及可能加权的平方误差损失下，如何构造风险优于一致最小方差无偏估计量的估计方法？
- 方法与思路
- 作者把改进估计量的构造归结为求解差分不等式，并将一般方法用于泊松、负二项及两类观测混合的情形。
- 材料陈述的贡献
- 摘要称给出了支配标准无偏估计量的多类估计，统一若干已有结果，并获得部分新结果及平方误差和损失下的显式估计。
- 阅读关注点
- 应核对风险支配的损失函数和参数范围、维度限制及差分不等式条件，并查原 PDF 确认密度表达式的上下标。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；密度公式的指数排版不清，需查原 PDF，不能重构公式或补造风险支配条件。
原文摘要
Assume that $X_1, \cdots, X_p$ are independent random observations having discrete exponential densities $\rho_i(\theta_i)t_i(x_i)\theta^{xi}_i, i = 1, \cdots, p$ respectively. A general technique of improving upon the uniform minimum variance unbiased estimator (UMVUE) of $(\theta_1, \cdots, \theta_p)$ is developed under possibly weighted squared error loss functions. It is shown that improved estimators can be constructed by solving a difference inequality. Typical difference inequalities of a fairly general type are presented and solved. When specialized to Poisson and Negative binomial cases, broad classes of estimators are given that dominate the UMVUE. These results unify many known results in this rapidly diverging field, and some of them are new (especially those related to Negative Binomial distributions). Improved estimators are also obtained for the problems in which some of the observations are from Poisson families and some from Negative Binomial families. For sum of squared errors loss, estimators which dominate the UMVUE in the discrete exponential families are also given explicitly.