Core Concepts
本論文では、中心性を最大化する推定量ファミリーを提案し、その性質と有効性を示す。最尤推定量は特殊な場合として含まれる。
Abstract
本論文では、確率密度関数(PDF)のフィッティングを目的として、中心性を最大化する推定量ファミリーを提案している。
まず、H¨
older中心性とLehmer中心性を定義し、それらの性質を分析する。これらの中心性は、データ選択メカニズムを内包しており、外れ値に対してロバストな推定を可能にする。
次に、これらの中心性を最大化する推定量(C-推定量)の性質を調べる。C-推定量は最尤推定量の一般化であり、IID仮定を必要としない。C-推定量の存在条件や最大化条件、Fisher情報量との関係を明らかにする。
最後に、指数分布のケーススタディを通して、C-推定量の有効性を示す。C-推定量は最尤推定量よりも良好な結果を示し、中心性パラメータαの最適化が重要であることが分かる。
Stats
データ要素xiの確率密度関数h(xi|θ)の微分∂lnh(xi|θ)/∂θは、H¨
older中心性の最大化条件では0となる。
Lehmer中心性の最大化条件では、(αEgα(∂lnh(x|θ)/∂θ) - (α-1)Egα-1(∂lnh(x|θ)/∂θ)) = 0となる。
Quotes
"中心性を最大化する推定量ファミリーを提案し、その性質と有効性を示す。最尤推定量は特殊な場合として含まれる。"
"C-推定量は最尤推定量の一般化であり、IID仮定を必要としない。"