Minimaxity of the Empirical Distribution Function in Invariant Estimation
不变估计中经验分布函数的极小极大性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：摘要研究通用分布函数估计的决策理论，没有分位数或经济分布效应研究的直接依据。
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
不变估计中经验分布函数的极小极大性
- 研究问题
- 在分布函数的连续不变估计问题中，采用加权 Cramér–von Mises 损失时，经验分布函数是否对任意样本量都具有极小极大性？
- 方法与思路
- 作者在指定的不变估计与加权损失框架下研究经验分布函数，并证明其极小极大性质；摘要未说明证明所用的具体论证工具。
- 材料陈述的贡献
- 摘要称，经验分布函数既是最佳不变估计量，又对任意样本量具有极小极大性，从而解决了该框架中的一个长期猜想。
- 阅读关注点
- 应核对分布函数类、不变性与连续性的确切含义、权重和风险的定义，以及最佳不变性质如何与全局极小极大结论衔接。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明权重限制和参数空间，不能将最优性推广到任意损失函数或分布估计问题。
原文摘要
Consider the problem of continuous invariant estimation of a distribution function with the weighted Cramer-von Mises loss. The minimaxity of the empirical distribution function, which is also the best invariant estimator, is proved for any sample size. This solves a long-standing conjecture.