Projection as a Method for Increasing Sensitivity and Eliminating Nuisance Parameters
以投影提高敏感性并消除干扰参数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：摘要提出一般估计函数与干扰参数处理方法，没有明确对应所列具体计量领域的应用。
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
以投影提高敏感性并消除干扰参数
- 研究问题
- 能否通过投影简化估计函数，提高检验功效或点估计效率，或者降低推断对干扰参数取值的敏感性，其适用范围有多大？
- 方法与思路
- 作者对依赖参数与数据的估计函数实施投影约化，将其与 Rao–Blackwell 化和充分统计量条件化联系，并讨论混合模型例子。
- 材料陈述的贡献
- 摘要称该方法可用于提高功效或效率，也可消除对干扰参数的敏感性；其适用范围超出具有完全充分统计量的模型。
- 阅读关注点
- 应核对投影所在的函数空间、敏感性与效率的具体定义，以及完全充分统计量存在时和一般模型下分别成立的结论。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；投影定义、改善条件和混合模型细节未说明，不能据此保证任意推断均获改善。
原文摘要
This paper examines statistical methods based upon estimating functions, i.e. functions of both the parameter and data that are designed to permit inference about an unknown parameter in a statistical model. We explore reductions of such estimating functions by projection. This reduction, analogous to the process of Rao–Blackwellization, may be used either to increase the power of a test, the efficiency of a point estimator, or alternatively to render an inference function insensitive to the value of a nuisance parameter. In the case where a complete sufficient statistic exists for a parameter of interest the methods reduce to increasing sensitivity through Rao–Blackwellization. When this same parameter is regarded as a nuisance parameter, the techniques lead us to condition on the complete sufficient statistic for this parameter. However the techniques are seen to be more widely applicable than for models permitting reduction through complete sufficiency. Examples involving mixture models will be developed.