Minimax Estimators for the Location Vectors of Spherically Symmetric Densities
球对称密度位置向量的极小极大估计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位置参数与估计风险，不能将此类风险直接归为金融风险。
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…
球对称密度位置向量的极小极大估计
- 研究问题
- 当最佳不变估计量具有球对称分布时，如何在二次损失下估计至少三个位置参数，并比较传统 Stein 估计量的风险？
- 方法与思路
- 作者在位置参数维度不小于三的球对称设定下，对传统 Stein 估计量进行有限样本分析，并与部分常规估计规则比较。
- 材料陈述的贡献
- 摘要称，在所考虑的随机机制与二次损失下，传统 Stein 估计量的有限样本风险表现优于某些常规规则。
- 阅读关注点
- 应核对球对称假设、所比较的估计规则及风险表达式，并确认极小极大性质与风险优势各自成立的条件和参数范围。
- 阅读边界
- 仅据所给 Crossref 摘要解读；未说明具体竞争规则与风险差异，不能声称普遍支配所有估计量，也不能推断刊本变化。
原文摘要
The estimation of K ( K ≥ 3) location parameters is considered under quadratic loss when the coordinates of the best invariant estimators are spherically symmetrically distributed. Under these stochastic mechanisms traditional Stein estimators are evaluated for finite samples and shown to have a risk performance superior to some conventional rules.