På många sätt är uppskattning med en lämplig metod för minsta avstånd en av de mest naturliga idéerna inom statistik. Det finns dock många olika sätt att konstruera ett lämpligt avstånd mellan data och modellen: omfattningen av studien som hänvisas till av Minimum Distance Estimation är bokstavligen enorm. Att fylla en statistisk resurslucka Statistisk inferens: Metoden för minsta avstånd ger en omfattande översikt över utvecklingen av densitetsbaserad minsta avståndsinferens för oberoende och identiskt distribuerade data. Utvidgningar till andra mer komplexa modeller diskuteras också. Omfattande täcker grunderna och tillämpningarna av minsta avståndsinferens, introducerar och diskuterar denna bok: Skattnings- och hypotesprövningsproblem för både diskreta och kontinuerliga modeller Robusthetsegenskaperna och den strukturella geometrin hos minimiavståndsmetoderna Det inlierproblemet och dess möjliga lösningar samt den viktade sannolikhetsuppskattningen Problem: Utvidgningen av minimiavståndsmetodiken inom tvärvetenskapliga områden som neurala nätverk och fuzzy sets samt specialiserade modeller och problem inklusive semi-parametriska problem, blandningsmodeller, grupperade dataproblem och överlevnadsanalys. Statistical Inference: The Minimum Distance Approach ger en grundlig redogörelse för densitetsbaserade metoder för minsta avstånd och deras användning i statistisk inferens. Den täcker statistiska avstånd, densitetsbaserade minimiavståndsmetoder, diskreta och kontinuerliga modeller, asymptotiska fördelningar, robusthet, beräkningsfrågor, residualjusteringsfunktioner, grafiska beskrivningar av robusthet, straffade och kombinerade avstånd, viktad sannolikhet och multinomial goodness-of-fit-tester. Denna omsorgsfullt utformade resurs är användbar för forskare och vetenskapsmän inom och utanför statistikarenan. . Språk: Engelska