The Iterated Minimum Distance Estimator and the Quasi-Maximum Likelihood Estimator
迭代最小距离估计量与准极大似然估计量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：摘要聚焦一般多方程非线性回归中的估计程序关系，未明确提供因果、面板、结构估计或其他所列细分方向的证据。
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
迭代最小距离估计量与准极大似然估计量
- 研究问题
- 在扰动跨期独立的多方程非线性回归模型中，迭代最小距离程序能否收敛，其迭代极限与准极大似然估计有何关系？
- 方法与思路
- 作者在该多方程模型中讨论最大似然与最小距离估计，分析迭代最小距离序列的收敛性及其与准极大似然解的联系。
- 材料陈述的贡献
- 摘要称，样本量充分大时，迭代最小距离程序几乎必然收敛，且这一迭代序列的极限就是准极大似然估计量。
- 阅读关注点
- 区分迭代次数趋于无穷与样本量趋于无穷，核对“样本量充分大”的含义，以及初值、收敛条件和解的唯一性。
- 阅读边界
- 摘要未说明样本量门槛、正则条件、初值限制或解的唯一性，也未报告有限样本性能及计算成本，无法判断具体实现效果。
原文摘要
A multiple equation nonlinear regression model with serially independent disturbances is considered. The estimation of the parameters in this model by maximum likelihood and minimum distance methods is discussed and our main subject is the relationship between these procedures. We establish that if the number of observations in a sample is sufficiently large, the iterated minimum distance procedure converges almost surely and the limit of this sequence of iterations is the quasi-maximum likelihood estimator.