Decomposition of maximum likelihood in mixed graphical interaction models
混合图交互模型中最大似然估计的分解AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的图描述统计模型结构，未涉及经济网络关系或干扰效应，故不归入网络与干扰。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
混合图交互模型中最大似然估计的分解
- 研究问题
- 混合图交互模型的图结构分解如何转化为最大似然估计的分解，并帮助获得显式估计式和似然比统计量分解？
- 方法与思路
- 作者建立带标记图的分解与最大似然估计分解之间的联系，再用于可分解模型及似然比统计量的因子化。
- 材料陈述的贡献
- 摘要称，图分解可诱导相应的最大似然估计分解，由此获得可分解模型的显式估计公式及似然比统计量因子化。
- 阅读关注点
- 应核对混合图模型和图标记的定义、可分解性条件、估计存在性，以及统计量因子化对推断的具体作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出图分解条件、估计公式和检验分布，不能外推至任意图模型或推断刊本变化。
原文摘要
We show how decompositions of marked graphs induce corresponding decompositions of maximum likelihood estimates in mixed graphical interaction models. We use this result to obtain explicit formulae for the estimates in decomposable models and to obtain factorizations of likelihood ratio statistics.