A Fast Improvement to the Em Algorithm on its Own Terms
利用 EM 自身计算步骤实现快速改进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：摘要提出用于不完整数据最大似然估计的通用算法改进，没有特定经济模型或所列细分方向的文本依据。
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
利用 EM 自身计算步骤实现快速改进
- 研究问题
- 如何利用 EM 算法已有的计算过程，加快不完整数据模型的最大似然估计，并获得估计量标准误所需的信息？
- 方法与思路
- 作者利用 E 步附带得到逐观测得分函数，据此估计 Fisher 信息矩阵，并以快速 Newton 型更新替换原有 M 步。
- 材料陈述的贡献
- 摘要称将 EM 方法与 Newton 方法联系起来，使逐观测得分可用于一致估计信息矩阵，并为更快的参数更新提供基础。
- 阅读关注点
- 应核对得分函数从 E 步获得的条件、信息矩阵估计的一致性，以及 Newton 型替换后的收敛、稳定性和计算成本。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未提供加速幅度或全局收敛保证，不能据此认定改进步骤保留 EM 的全部稳定性质。
原文摘要
SUMMARY The EM algorithm is a numerical technique for the evaluation of maximum likelihood estimates for parameters describing incomplete data models. It is easy to apply in many problems and is stable but slow. The algorithm fails to provide a consistent estimator of the standard errors of the maximum likelihood estimates unless the additional analysis required by the Louis method is performed. Newton-type or other gradient methods are faster and provide error estimates but tend to be unstable and require the analytical evaluation of likelihoods to derive expressions for the score function and (at least) approximations to the Fisher information matrix. The purpose of this paper is to expand on a result by Fisher that permits a unification of EM methodology and Newton methods. The evaluation of the individual observation-by-observation score functions of the incomplete data is a by-product of the application of the E step of the EM algorithm. Once these become available, the Fisher information matrix may be consistently estimated, and the M step may be replaced by a fast Newton-type step.