Consistency of Deviance-Based M Estimators
基于偏差函数的 M 估计量的一致性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 M 估计的一致性及模型族差异，未指定因果、面板、时间序列或金融任务，领域细分证据不足。
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
基于偏差函数的 M 估计量的一致性
- 研究问题
- 将偏差函数用于自适应加权最大似然估计时，哪些条件可以保证估计一致，为什么连续模型与多数离散模型的表现可能不同？
- 方法与思路
- 作者定义权重依赖偏差函数的 M 估计量，在单参数与回归框架给出一致性条件，并考察合适权重下连续族和离散族的适用情况。
- 材料陈述的贡献
- 摘要称，一致性条件适用于许多满足 Cramér–Rao 正则性的连续族及相关回归模型；多数离散族不满足条件且估计量不一致。
- 阅读关注点
- 应核对偏差函数和权重的定义、一致性条件的性质、连续模型中正则性的作用，以及离散模型不一致的具体机制与例外。
- 阅读边界
- 仅据所给 Crossref 摘要；权重规则、完整条件和离散族范围未说明，不能将结论推广到所有连续或离散模型，也不能推断效率优势。
原文摘要
SUMMARY In a general estimation problem, the deviance function generates statistics that are similar to squared standardized residuals. A deviance-based M estimator (DBME) is defined as an adaptively weighted maximum-likelihood estimator, where the weights depend upon the deviances. In both a single-parameter and a regression setting, we give some general conditions under which a DMBE is consistent. For a suitable weighting scheme, these conditions are satisfied in many continuous Cramer-Rao-regular families and in related linear or nonlinear regression cases. The conditions fail (and the estimator is inconsistent) in most discrete families.