Empirical Likelihood Ratio Confidence Regions
经验似然比置信区域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：经验似然比、非参数Wilks及置信区域属于计量推断与统计基础；摘要未指定领域应用。
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…
关注这篇论文的作者
经验似然比置信区域
- 研究问题
- 摘要研究如何为向量值统计泛函构造非参数置信区域，并使似然比推断具有类似经典 Wilks 定理的依据。它同时关注一维均值区间受偏度的影响，以及多元置信区域和剖面似然如何有效计算。
- 方法与思路
- 摘要以经验似然比构造置信区域，并给出非参数版本的 Wilks 定理。计算上借助凸对偶，将向量均值的剖面似然问题化为低维凸函数的无约束最小化，再提供相关统计量的剖面似然算法。
- 材料陈述的贡献
- 摘要为若干均值的函数及具有线性估计方程的统计量提供多元置信区域依据与算法。对一维均值，Cornish–Fisher 展开表明，经验似然区间受偏度的不利影响小于基于 Student $t$ 统计量的区间。
- 阅读关注点
- 阅读时应核对非参数 Wilks 结论需要哪些条件，以及均值的函数和线性估计方程如何进入置信区域构造。计算部分重点看凸包约束与对偶问题的关系，并追踪偏度比较所用的展开及其适用范围。 阅读前先备知识：建议先掌握似然比检验、Wilks 定理与置信区域反演，理解统计泛函和估计方程。计算方面应熟悉凸集、凸包、拉格朗日乘子与凸对偶；阅读偏度比较时，还需了解渐近展开及分位数修正。
- 阅读边界
- 以下限制对应原请求所用摘要版本：基于原文摘要，未阅读全文。摘要支持非参数推断、偏度比较与计算方法的概述，但未列出定理的完整正则条件；一维均值区间的偏度优势不能直接推广到所有统计量或所有有限样本情形。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
An empirical likelihood ratio function is defined and used to obtain confidence regions for vector valued statistical functionals. The result is a nonparametric version of Wilks' theorem and a multivariate generalization of work by Owen. Cornish-Fisher expansions show that the empirical likelihood intervals for a one dimensional mean are less adversely affected by skewness than are those based on Student's $t$ statistic. An effective method is presented for computing empirical profile likelihoods for the mean of a vector random variable. The method is a reduction by convex duality to an unconstrained minimization of a convex function on a low dimensional domain. Algorithms exist for finding the unique global minimum at a superlinear rate of convergence. A byproduct is a noncombinatorial algorithm for determining whether a given point lies within the convex hull of a finite set of points. The multivariate empirical likelihood regions are justified for functions of several means, such as variances, correlations and regression parameters and for statistics with linear estimating equations. An algorithm is given for computing profile empirical likelihoods for these statistics.