Maximization by Parts in Likelihood Inference
似然推断中的分部最大化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：摘要以多类统计模型说明通用似然算法，状态空间和随机效应仅为示例，未明确所列计量细分的研究问题。
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…
似然推断中的分部最大化
- 研究问题
- 对于具有可分解结构的复杂似然，如何避免计算完整似然的二阶导数来求解最大似然得分方程，并评估有限次迭代的估计性质？
- 方法与思路
- 作者把复杂对数似然分为易分析模型的部分和用于更新估计的部分，构造固定点迭代，并研究收敛及有限次迭代的渐近性质。
- 材料陈述的贡献
- 摘要称，提出了适用于若干模型的得分方程求解算法，并分析算法收敛性和有限次迭代估计量，提供模型示例与模拟。
- 阅读关注点
- 应核对似然可分解的要求、更新步骤与收敛条件，以及有限次迭代估计量和完全求解的最大似然估计之间的关系。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明全局收敛保证、所需迭代次数或效率比较，不能推断适用于所有似然模型。
原文摘要
This article presents and examines a new algorithm for solving a score equation for the maximum likelihood estimate in certain problems of practical interest. The method circumvents the need to compute second-order derivatives of the full likelihood function. It exploits the structure of certain models that yield a natural decomposition of a very complicated likelihood function. In this decomposition, the first part is a log-likelihood from a simply analyzed model, and the second part is used to update estimates from the first part. Convergence properties of this iterative (fixed-point) algorithm are examined, and asymptotics are derived for estimators obtained using only a finite number of iterations. Illustrative examples considered in the article include multivariate Gaussian copula models, nonnormal random-effects models, generalized linear mixed models, and state-space models. Properties of the algorithm and of estimators are evaluated in simulation studies on a bivariate copula model and a nonnormal linear random-effects model.