Empirical Likelihood is Bartlett-Correctable
经验似然可作 Bartlett 校正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：摘要讨论通用经验似然与高阶覆盖误差校正，未限定所列领域细分中的模型或应用。
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…
经验似然可作 Bartlett 校正
- 研究问题
- 经验似然构造的置信区间能否像参数似然一样进行 Bartlett 校正，并由此降低覆盖误差、联系两类似然推断？
- 方法与思路
- 作者通过调整对数似然比的期望构造 Bartlett 校正，给出适用于多种矩及其函数的通用公式，并以均值模拟展示效果。
- 材料陈述的贡献
- 摘要称在广泛设定下，校正可将覆盖误差降至 O(n⁻²)，并建立经验似然与参数似然的联系，提供多类参数的校正公式。
- 阅读关注点
- 应核对高阶展开所需的矩和光滑性条件、校正因子的估计方式，以及覆盖误差阶数和摘要中 bootstrap 比较的具体范围。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；未核对全文或版本差异。不能据此断言所有经验似然问题或所有 bootstrap 方法均满足所述比较。
原文摘要
It is shown that, in a very general setting, the empirical likelihood method for constructing confidence intervals is Bartlett-correctable. This means that a simple adjustment for the expected value of log-likelihood ratio reduces coverage error to an extremely low $O(n^{-2})$, where $n$ denotes sample size. That fact makes empirical likelihood competitive with methods such as the bootstrap which are not Bartlett-correctable and which usually have coverage error of size $n^{-1}$. Most importantly, our work demonstrates a strong link between empirical likelihood and parametric likelihood, since the Bartlett correction had previously only been available for parametric likelihood. A general formula is given for the Bartlett correction, valid in a very wide range of problems, including estimation of mean, variance, covariance, correlation, skewness, kurtosis, mean ratio, mean difference, variance ratio, etc. The efficacy of the correction is demonstrated in a simulation study for the case of the mean.