Improving on Equivariant Estimators
改进等变估计量的方法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：文本讨论一般决策理论与等变估计，未提供所列经济计量细分方向的直接依据。
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
改进等变估计量的方法
- 研究问题
- 研究在一般分布族及满足某项条件的损失函数下，如何寻找优于等变估计量的方法，以及改进成功时的风险性质。
- 方法与思路
- 作者先按样本空间轨道分析条件期望损失以构造检验型估计量，再取一类类似估计量序列的极限以获得更平滑形式。
- 材料陈述的贡献
- 摘要称应用中得到广义贝叶斯且极小极大的估计量，并在单变量子情形建立特定等变类内的可容许性；并非普遍成功。
- 阅读关注点
- 阅读全文时应核对损失函数条件、轨道条件化方法，以及风险改进、极小极大性和受限可容许性各自的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断具体分布与损失条件；摘要明确不保证改进成功，也不能推断刊本变化。
原文摘要
Techniques for improving on equivariant estimators are described. They may be applied, although without assurance of success, whatever be the family of underlying distributions. The loss function is required to satisfy an intuitively reasonable condition but is otherwise arbitrary. One of these techniques amounts to a sample space, orbit-by-orbit analysis of the conditional expected loss given the orbit. It yields, when successful, a "testimator". A second technique obtains the limit of a certain sequence of "testimator-like" estimators. The result is "smoother" than a testimator and often identical to a generalized Bayes estimator over much of its domain. Applications are presented. In the first we extend results of Stein (1964) and obtain a minimax estimator which is generalized Bayes, and in a univariate subcase, admissible within the class of scale-equivariant estimators. In the second, we extend a result of Srivastava and Bancroft (1967).