Efficiency of Projected Score Methods in Rectangular Array Asymptotics
矩形阵列渐近框架下投影得分方法的效率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：摘要只明确多分层重复观测的通用渐近框架，未说明个体时间面板或宏观面板结构，因此保留空分类。
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…
矩形阵列渐近框架下投影得分方法的效率
- 研究问题
- 当多分层数据的层数与层内重复观测数以相同速度增长时，最大似然估计为何可能一致却不高效，如何修正其渐近偏移？
- 方法与思路
- 作者采用矩形阵列渐近嵌入，对得分函数施加投影算子以构造调整后的最大似然估计，并将其解释为条件最大似然的近似。
- 材料陈述的贡献
- 摘要称，原估计的渐近正态分布均值非零；调整后估计渐近无偏，方差达到 Cramér–Rao 下界，并近似条件最大似然估计。
- 阅读关注点
- 应核对模型中的目标与干扰参数、层数和重复数的增长关系、投影算子的构造，以及效率界与渐近无偏的具体归一化。
- 阅读边界
- 仅据所给 Crossref 摘要。模型与正则条件未列出，效率结论限定于所述渐近框架，不能外推至任意增长比例或推断版本变化。
原文摘要
Summary The paper considers a rectangular array asymptotic embedding for multistratum data sets, in which both the number of strata and the number of within-stratum replications increase, and at the same rate. It is shown that under this embedding the maximum likelihood estimator is consistent but not efficient owing to a non-zero mean in its asymptotic normal distribution. By using a projection operator on the score function, an adjusted maximum likelihood estimator can be obtained that is asymptotically unbiased and has a variance that attains the Cramér–Rao lower bound. The adjusted maximum likelihood estimator can be viewed as an approximation to the conditional maximum likelihood estimator.