无约束MLE何时有效？新研究给出BTL模型估计误差的极小极大下界与样本量阈值！
Error Bounds for Statistical Estimators in BTL Model with Parametric Multivariate Utility Functions
📖 AI 总结
本文研究Bradley-Terry-Luce（BTL）模型下的偏好 elicitation 问题，其中真实效用向量未知，需通过成对比较数据估计。与既有工作不同，作者允许查询集合非均匀、确定且任意，仅要求满足联合可识别性条件，并关注经典最大似然估计量（MLE）在无显式紧性约束或外部正则化条件下何时有限且具有尖锐误差界。主要贡献包括：在标准有界动态范围条件下推导极小极大下界，发现其与经典Cramér-Rao下界共享相同的Fisher信息几何结构；通过对似然得分方程的非渐近展开与不动点局部化论证，给出依赖于设计的样本量阈值，超过该阈值时无约束MLE以高概率存在且唯一；进一步将估计误差分解为线性随机项、显式二阶偏差和高阶余项，并给出MLE达到极小极大最优速率（至多对数与常数因子）的充分样本量条件。该工作为参数化效用 elicitation 提供了统一的非渐近理论，揭示了推断何时仅由响应数据决定而无需外部正则化，初步数值结果与理论一致。
🔑 关键词速览
| Bradley-Terry-Luce (BTL) 模型 | 一种用于成对比较数据的概率模型，假设每个项目有一个潜在效用值，比较结果由效用差的logistic函数决定。 |
| 最大似然估计量 (MLE) | 一种参数估计方法，通过最大化似然函数来寻找最可能产生观测数据的参数值。 |
| 极小极大下界 | 在统计决策理论中，所有估计量在最坏情况下的风险下界，用于衡量估计问题的固有难度。 |
| Fisher信息 | 衡量观测数据携带的关于未知参数的信息量，其逆给出了参数估计方差的下界（Cramér-Rao下界）。 |
| 非渐近理论 | 在有限样本下分析估计量性质的理论，不依赖于样本量趋于无穷的渐近假设。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅