Minimax Estimation of Proportions under Random Sample Size
随机样本量下比例参数的极小极大估计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：摘要属于抽样分布与统计决策理论，没有足够文本依据归入所列计量领域细分。
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
随机样本量下比例参数的极小极大估计
- 研究问题
- 当样本量是随机的辅助统计量时，多元超几何分布的比例参数应如何估计，固定样本量下的经典方法是否仍适用？
- 方法与思路
- 作者在平方误差损失下研究随机样本量的极小极大估计，并考察固定样本量经典估计量在该设定中的可容许性。
- 材料陈述的贡献
- 摘要称给出随机样本量下的极小极大估计量，说明它不同于固定样本量版本，且后者在随机样本量设定下甚至不可容许。
- 阅读关注点
- 应核对样本量的随机机制与辅助性、参数空间和风险定义，以及极小极大结论与不可容许性证明的具体范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未提供估计量公式或样本量分布条件，不能将结论推广到任意随机抽样设计。
原文摘要
We study the problem of how to estimate the parameters of a multivariate hypergeometric distribution when the sample size n is assumed to be an ancillary statistic. The minimax estimator for squared error loss is given. This estimator differs from the well-known minimax estimator for fixed n. Furthermore, that classical estimator is shown to be not even admissible when n is random.