On Bartlett correction of empirical likelihood in the presence of nuisance parameters
存在干扰参数时经验似然的 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：摘要研究经验似然与高阶校正的一般推断理论，没有明确对应所列应用方向。
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…
关注这篇论文的作者
存在干扰参数时经验似然的 Bartlett 校正
- 研究问题
- 存在干扰参数时，经验似然能否进行 Bartlett 校正，是否取决于构造目标参数似然时消除干扰参数的具体方式？
- 方法与思路
- 作者在估计函数的一般框架下，研究给定目标参数值时剖面化干扰参数的经验似然，并分析其 Bartlett 可校正性。
- 材料陈述的贡献
- 摘要称干扰参数的消除方式至关重要；在所述框架下，给定目标参数后剖面化干扰参数，经验似然仍可进行 Bartlett 校正。
- 阅读关注点
- 应核对剖面化与其他消除方式的区别、估计函数及正则条件，检查校正因子的构造和高阶近似误差如何得到控制。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；正则条件、校正公式及有限样本效果未说明，不能视为任意干扰参数问题均可校正。
原文摘要
Lazar & Mykland (1999) showed that an empirical likelihood defined by two estimating equations with a nuisance parameter need not be Bartlett-correctable. This paper shows that Bartlett correction of empirical likelihood in the presence of a nuisance parameter depends critically on the way the nuisance parameter is removed when formulating the likelihood for the parameter of interest. We establish in the broad framework of estimating functions that the empirical likelihood is still Bartlett-correctable if the nuisance parameter is profiled out given the value of the parameter of interest.