我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
在本文中,我们证明了在考虑干扰参数的个别序列的情况下,全混合模型的著名渐近效率界仍然有效。这对于某些类别的随机(i.i.d.)和非随机干扰参数都是精确的。对于随机情况,证明了Pfanzagl示例所给出的那种超效率只能在低概率下发生。非随机情形研究一维冗余参数下的置换变估计。结果表明,对于单个非随机干扰参数数组,如果其经验过程以其极限为中心并进行标准化,则效率界仍然有效,并且满足紧性条件。紧致性条件在随机情况下以高概率得到满足。结果利用了基本的局域网理论。正则性条件用$L^2$-可微性来表示。
赫尔穆特·斯特拉瑟。 “带有附带干扰参数的模型估计的渐近效率。” 安。统计师。 24 (2) 879 - 901, 1996年4月。 https://doi.org/10.1214/aos/1032894471