Optimal Estimation for General Gaussian Processes
一般高斯过程的最优估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是一般高斯过程的似然与渐近统计理论，未明确特定计量应用，现有信息不足以归入所列领域细分。
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
一般高斯过程的最优估计
- 研究问题
- 一般高斯过程的均值及其他参数如何联合估计并获得渐近最优性，而以样本均值代入似然会造成多大效率损失？
- 方法与思路
- 作者提出所有参数联合估计的精确最大似然方法，并利用谱密度在零附近的渐近行为建立局部渐近正态性。
- 材料陈述的贡献
- 摘要称建立一致性、渐近正态性和最优估计依据；模拟显示代入式最大似然的有限样本表现接近精确方法。
- 阅读关注点
- 应核对适用高斯过程与谱密度的条件、均值和其他参数的收敛尺度、最优性的比较范围，以及精确似然的计算。
- 阅读边界
- 这是arXiv预印本，不能确认同行评审或期刊接收；摘要未列出完整正则条件，模拟中的接近表现不构成普遍等价。
原文摘要
This paper proposes a novel exact maximum likelihood (ML) estimation method for general Gaussian processes, where all parameters are estimated jointly. The exact ML estimator (MLE) is consistent and asymptotically normally distributed. We prove the local asymptotic normality (LAN) property of the sequence of statistical experiments for general Gaussian processes in the sense of Le Cam, thereby enabling optimal estimation and facilitating statistical inference. The results rely solely on the asymptotic behavior of the spectral density near zero, allowing them to be widely applied. The established optimality not only addresses the gap left by Adenstedt(1974), who proposed an efficient but infeasible estimator for the long-run mean $μ$, but also enables us to evaluate the finite-sample performance of the existing method -- the commonly used plug-in MLE, in which the sample mean is substituted into the likelihood. Our simulation results show that the plug-in MLE performs nearly as well as the exact MLE, alleviating concerns that inefficient estimation of $μ$ would compromise the efficiency of the remaining parameter estimates.