The foundations of finite sample estimation in stochastic processes
随机过程有限样本估计的基础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：摘要属于一般随机过程估计理论，未明确涉及所列时间序列或其他专门计量方向。
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
随机过程有限样本估计的基础
- 研究问题
- 能否在随机过程框架中建立类似 Gauss–Markov 定理的结果，使有限样本估计主要依赖分布的前两阶矩？
- 方法与思路
- 作者以线性模型中 Gauss–Markov 定理对前两阶矩的依赖为参照，在随机过程背景下建立类似定理，并应用于有限样本估计。
- 材料陈述的贡献
- 摘要称建立了随机过程中的类似定理，并通过该定理解决若干有限样本估计问题；具体问题和定理结论未在摘要中展开。
- 阅读关注点
- 应核对允许的随机过程、估计量类别及比较准则，尤其要确认类似定理究竟保证何种性质，以及应用所需的矩条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；定理的具体假设、最优性含义和应用实例均未说明。
原文摘要
The Gauss-Markov theorem on least squares for linear models derives its general applicability because it depends on the underlying distribution only through the first two moments. In this paper, a similar theorem is established within the context of stochastic processes. Various problems of finite sample estimation are solved by application of this theorem.