研究人员开发了一种估计随机变量亚高斯参数的新方法，该参数与其方差相关。所提出的估计器被证明是一致的，并在特定条件下实现了 $O_p(n^{-1/2})$ 的收敛速率，在特定情况下证明了其最优性。该研究还为所有亚高斯分布的最小最大风险建立了下界，在 $\Omega(1/\log n)$ 和 $\Omega(1)$ 之间进行插值。通过在基因本体论富集研究中应用该估计器来构建置换检验中的 p 值，突出了该估计器的实际效用。 AI
影响 引入了一种新的统计工具，可以增强包括可能使用 AI 的领域在内的各个领域的数据分析。
排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了一种新的统计估计方法。[lever_c_demoted from research: ic=2 ai=0.4]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.06384v1 Announce Type: cross Abstract: The sub-Gaussian parameter (also called the variance proxy) of a mean-zero random variable $X$ is defined as $\xi^2_* = \sup_{\lambda \in \mathbb{R}} L(\lambda)$ where $L(\lambda) = \frac{2}{\lambda^2} \log \mathbb{E} e^{\lambda X…
The sub-Gaussian parameter (also called the variance proxy) of a mean-zero random variable $X$ is defined as $ξ^2_* = \sup_{λ\in \mathbb{R}} L(λ)$ where $L(λ) = \frac{2}{λ^2} \log \mathbb{E} e^{λX}$ is a weighted cumulant generating function. Despite the ubiquity of sub-Gaussian …