Small-sample asymptotic distributions of M -estimators of location
位置M估计量的小样本渐近分布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：摘要讨论一般位置估计量的分布近似，尾概率精度不等于金融尾部风险研究。
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
位置M估计量的小样本渐近分布
- 研究问题
- 如何在样本很小、甚至考察极端尾部时，准确近似位置M估计量的密度与尾概率，并比较不同渐近方法？
- 方法与思路
- 作者借助共轭分布重新中心化，按样本量倒数展开估计量未标准化密度的对数导数，并进行数值比较。
- 材料陈述的贡献
- 摘要称，数值研究中近似在极小样本及极端尾部仍较准确；该方法也为比较鞍点、Edgeworth和大偏差方法提供统一视角。
- 阅读关注点
- 应核对估计方程与分布条件、展开余项控制，以及小样本精度报告对应的模型、尾部范围和误差定义。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；高精度来自所述数值研究，具体模型和条件未列出，不能视为所有M估计量的统一保证。
原文摘要
Asymptotic formulae for the distribution of M-estimators, i.e. maximum likelihood type estimators, of location, including the arithmetic mean, are derived which numerical studies show to give relative errors for densities and tail areas of the order of magnitude of 1% down to sample sizes 3 and 4 even in the extreme tails. The paper is the continuation of earlier work by the second author and is also closely related to Daniels's work on the saddlepoint approximation. The method consists in expanding the derivative of the logarithm of the unstandardized density of the estimator in powers of 1/n at each point, using recentring by means of conjugate distributions. This method yields a unified point of view for the comparison of other asymptotic methods, namely saddlepoint method, Edgeworth expansion and large deviations approach, which are also compared numerically.