Asymptotic efficiency of estimates for models with incidental nuisance parameters
附带干扰参数模型中估计量的渐近效率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：摘要讨论通用附带参数效率理论，未明确涉及面板数据，不能仅凭附带参数概念归入面板方向。
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
附带干扰参数模型中估计量的渐近效率
- 研究问题
- 研究完整混合模型的渐近效率界，在逐个考虑随机或非随机干扰参数序列时是否仍然有效，以及超效率可能出现的范围。
- 方法与思路
- 作者利用局部渐近正态理论与平方可积可微性，分别处理独立同分布干扰参数及满足经验过程紧性条件的非随机数组。
- 材料陈述的贡献
- 摘要称效率界可延伸至所考虑的单个干扰参数序列；随机情形中特定超效率仅以低概率出现，非随机结果针对置换不变估计量。
- 阅读关注点
- 应核对混合模型效率界与逐序列结论的关系、非随机一维干扰参数和置换不变限制，以及紧性和可微性条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；效率界、概率结论及正则条件的具体形式未提供，不能将结果推广到任意附带参数模型。
原文摘要
In this paper we show that the well-known asymptotic efficiency bounds for full mixture models remain valid if individual sequences of nuisance parameters are considered. This is made precise both for some classes of random (i.i.d.) and nonrandom nuisance parameters. For the random case it is shown that superefficiency of the kind given by an example of Pfanzagl can happen only with low probability. The nonrandom case deals with permutation-invariant estimators under one-dimensional nuisance parameters. It is shown that the efficiency bounds remain valid for individual nonrandom arrays of nuisance parameters whose empirical process, if it is centered around its limit and standardized, satisfies a compactness condition. The compactness condition is satisfied in the random case with high probability. The results make use of basic LAN theory. Regularity conditions are stated in terms of $L^2$-differentiability.