The fitting of complex parametric models
复杂参数模型的拟合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：摘要讨论通用的可模拟参数模型拟合，未提供经济结构模型或所列其他细分方向的直接证据。
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
复杂参数模型的拟合
- 研究问题
- 对于无法计算似然但能够模拟观测值的复杂参数模型，如何利用候选特征构建参数向量估计量，并估计其协方差矩阵？
- 方法与思路
- 作者考察大量候选特征的线性函数型估计量，将基于分部设计的模拟与多组判别分析结合，用于寻找参数及其协方差的估计方法。
- 材料陈述的贡献
- 摘要提出一种模拟驱动的模型拟合程序，称其可寻找最优参数估计量及协方差矩阵，并作为近似贝叶斯计算方案的替代方法。
- 阅读关注点
- 应核对最优性的目标和允许的估计量类别、候选特征选择、模拟设计覆盖范围，以及协方差估计与参数辨识之间的关系。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；最优性的具体准则及比较结果未说明，不能据此判断该程序优于近似贝叶斯计算。
原文摘要
Consider parametric models that are too complicated to allow calculation of a likelihood but from which observations can be simulated. We examine parameter estimators that are linear functions of a possibly large set of candidate features. A combination of simulations based on a fractional design and sets of discriminant analyses is then used to find an optimal estimator of the vector parameter and its covariance matrix. The procedure is an alternative to the approximate Bayesian computation scheme.