Maximum pairwise-rank-likelihood-based inference for the semiparametric transformation model
半参数变换模型中基于最大成对秩似然的推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论一般半参数变换模型与秩似然推断，未明确分位数效应、离散选择或其他所列研究对象，故不作细分归类。
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…
半参数变换模型中基于最大成对秩似然的推断
- 研究问题
- 一般线性变换模型如何估计参数部分，以缓解核平滑调参困难，以及既有秩方法计算昂贵和信息利用不足的问题？
- 方法与思路
- 作者提出成对秩似然方法及基于该似然的得分函数方法，研究估计量的理论性质，并通过数值实验比较估计表现。
- 材料陈述的贡献
- 摘要称，两种方法对随机误差分布具有稳健性，数值研究中均方误差在许多情形下与现有方法相当或更小。
- 阅读关注点
- 应核对一般变换模型的具体设定、参数识别与误差限制，以及成对似然和得分方法各自的计算及渐近性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未明确理论条件，数值比较也不能支持所有情形下的优越性。
原文摘要
In this paper, we study the linear transformation model in the most general setup. This model includes many important and popular models in statistics and econometrics as special cases. Although it has been studied for many years, the methods in the literature are based on kernel-smoothing techniques or make use of only the ranks of the responses in the estimation of the parametric components. The former approach needs a tuning parameter, which is not easily optimally specified in practice; and the latter is computationally expensive and may not make full use of the information in the data. In this paper, we propose two methods: a pairwise rank likelihood method and a score-function-based method based on this pairwise rank likelihood. We also explore the theoretical properties of the proposed estimators. Via extensive numerical studies, we demonstrate that our methods are appealing in that the estimators are not only robust to the distribution of the random errors but also lead to mean square errors that are in many cases comparable to or smaller than those of existing methods.