Variances for Maximum Penalized Likelihood Estimates Obtained Via the Em Algorithm
通过 EM 算法获得的最大惩罚似然估计的方差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：摘要研究通用惩罚似然和 EM 方差计算，未明确涉及所列微观、宏观或金融方向。
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…
通过 EM 算法获得的最大惩罚似然估计的方差
- 研究问题
- 当参数估计通过惩罚似然与 EM 算法获得时，如何利用现有算法提供相应的方差估计，并减少另行实现方差计算的工作？
- 方法与思路
- 作者结合补充 EM 的方差估计方法与惩罚 EM 映射的 Jacobian 结果，通过迭代映射的导数构造参数方差计算程序。
- 材料陈述的贡献
- 摘要称合成后的程序所需代码不超过惩罚 EM 算法本身所需代码，并用一个示例展示如何为惩罚似然估计提供方差。
- 阅读关注点
- 应核对方差针对的统计目标、惩罚项的处理及 Jacobian 的计算方法，并检查算法固定点附近的条件与示例验证方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定方差公式、适用惩罚类型或数值稳定性；代码需求的表述不能替代计算准确性的检验。
原文摘要
SUMMARY We address the problem of providing variances for parameter estimates obtained under a penalized likelihood formulation through use of the EM algorithm. The solution proposed represents a synthesis of two existent techniques. Firstly, we exploit the supplemented EM algorithm developed by Meng and Rubin that provides variance estimates for maximum likelihood estimates obtained via the EM algorithm. Their procedure relies on evaluating the Jacobian of the mapping induced by the EM algorithm. Secondly, we utilize results from Green that provide expressions for Jacobians of mappings induced by EM algorithms applied to a penalized likelihood. The resultant procedure requires no more code than that needed for the penalized EM algorithm itself. The technique is demonstrated with an illustrative example.