Tail Minimaxity in Location Vector Problems and Its Applications
位置向量问题中的尾部极小极大性及其应用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：摘要讨论统计决策中的参数空间尾部与估计风险，没有金融损失尾部或系统性风险的文本依据。
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
位置向量问题中的尾部极小极大性及其应用
- 研究问题
- 在至少三维的位置向量估计中，哪些估计量能在某个紧集以外将风险控制在极小极大风险以内，并如何比较？
- 方法与思路
- 作者以紧集外的风险约束定义尾部极小极大性，在分布与损失的一般条件下给出充分条件，并构造一类估计量。
- 材料陈述的贡献
- 摘要称建立尾部极小极大性的充分条件，发展一类具有该性质的估计量，并与最佳不变估计量进行比较。
- 阅读关注点
- 核对密度与损失的具体条件、紧集的选取和风险控制范围，以及比较结论是否仅针对参数空间尾部而非全局。
- 阅读边界
- 索引摘要未注明稿件版本，未说明比较的具体结果；这里的尾部指参数空间紧集之外，不能解释为金融尾部风险。
原文摘要
Let $X = (X_1,\cdots, X_p)^t, p \geqq 3$, have density $f(x - \theta)$ with respect to Lebesgue measure. It is desired to estimate $\theta = (\theta_1,\cdots, \theta_p)^t$ under the loss $L(\delta - \theta)$. Assuming the problem has a minimax risk $R_0$, an estimator is defined to be tail minimax if its risk is no larger than $R_0$ outside some compact set. Under quite general conditions on $f$ and $L$, sufficient conditions for an estimator to be tail minimax are given. A class of good tail minimax estimators is then developed and compared with the best invariant estimator.