Higher-order asymptotics and the likelihood principle: One-parameter models
高阶渐近与似然原则：单参数模型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：摘要研究高阶推断的基础理论与似然原则，没有所列计量领域细分的明确文本证据。
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
高阶渐近与似然原则：单参数模型
- 研究问题
- 高阶渐近推断中的修正有多少源于参考集的选择，这种依赖如何影响精确推断，以及它与似然原则有什么关系？
- 方法与思路
- 作者利用高阶近似能反映参考集差异的性质，量化不同参考集产生的 P 值差别，并重点讨论单参数问题。
- 材料陈述的贡献
- 摘要称，可给出两个参考集下 P 值差异的渐近上界，且常能识别首项系数；单参数修正可能主要反映参考集选择。
- 阅读关注点
- 应核对参考集的定义与比较范围、渐近差异的界和首项系数如何获得，并区分单参数结果与含干扰参数的讨论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要明确未深入研究干扰参数情形，相关似然原则判断属于作者观点。
原文摘要
Inferences based on higher-order asymptotics, in contrast to those based on standard first-order methods, approximate exact inferences closely enough to depend on the reference set. We use this feature to quantify the effect of the reference set on exact inferences. In particular, the difference in P-values for two reference sets can be at most O(n−½), and it is seen that one can often identify the coefficient of n−½. Although this is useful from a foundational viewpoint, the question arises of whether higher-order adjustments to first-order P-values reflect only the choice of reference set. It is indicated that for one-parameter problems this may largely be the case, but that when there are nuisance paramenters the situation is likely to be quite different. The nuisance parameter setting is not investigated thoroughly in this paper, but we believe that in that case the most important part of the higher-order corrections largely conforms to the likelihood principle.