Minimum Kolmogorov Distance and Minimum Blended phi-divergence Estimators

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F06%3A00164488" target="_blank" >RIV/68407700:21340/06:00164488 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Minimum Kolmogorov Distance and Minimum Blended phi-divergence Estimators
Popis výsledku v původním jazyce
We show that the approximate minimum distance estimator (ADE) exists if certain conditions are fulfiIled and that the approximate minimum Kolmogorov distance estimator (AKE) always exists. We define the robustness of ADE and we prove that AKE is always arobust estimator of the true density. Minimum Kolmogorov distance estimates produce estimators consistent in the L1-norm under weaker conditions than in cases of some other types of estimators. We used our simulation software to examine the behavior ofADE in comparison with standard estimators known for their good statistical properties.
Název v anglickém jazyce
Minimum Kolmogorov Distance and Minimum Blended phi-divergence Estimators
Popis výsledku anglicky
We show that the approximate minimum distance estimator (ADE) exists if certain conditions are fulfiIled and that the approximate minimum Kolmogorov distance estimator (AKE) always exists. We define the robustness of ADE and we prove that AKE is always arobust estimator of the true density. Minimum Kolmogorov distance estimates produce estimators consistent in the L1-norm under weaker conditions than in cases of some other types of estimators. We used our simulation software to examine the behavior ofADE in comparison with standard estimators known for their good statistical properties.

Rok uplatnění
2006
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)