Rates of Convergence of Maximum Smoothed Log-Likelihood Estimators for Semi-Parametric Multivariate Mixtures
半参数多元混合模型的最大平滑对数似然估计量的收敛速率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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论半参数混合模型的估计理论与收敛速率，属于计量理论与统计方法，未涉及所给领域细分中的因果推断、面板、离散选择、结构估计、时间序列、金融等具体方向，故不选择。
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…
半参数多元混合模型的最大平滑对数似然估计量的收敛速率
- 研究问题
- 摘要称，本文研究半参数有限混合模型中最大平滑对数似然估计量的理论性质，即该估计量是否相合，以及有限维与无穷维参数的收敛速率如何。
- 方法与思路
- 作者提出在条件独立假设下，将各分量密度建模为单变量密度之积，对平滑对数似然（对分量密度取对数后作核卷积再取指数）作最大化，并用 majorization-minimization 算法计算；借助经典 M 估计框架证明相合性，再利用平滑似然的结构性质、迭代算法行为与剖面平滑似然推导收敛速率。
- 材料陈述的贡献
- 摘要称，本文首次为该估计方法提供严格的理论保证，包括相合性与有限维、无穷维参数的收敛速率，从而在实践算法与半参数混合模型的统计理论之间建立联系。
- 阅读关注点
- 阅读全文时应核对：条件独立与正则性条件的具体表述、平滑参数与核的选择及其对速率的影响、有限维与无穷维参数速率的具体形式、剖面平滑似然与迭代算法在证明中的作用，以及是否给出模拟或实证验证。
- 阅读边界
- 仅凭摘要无法判断正则性条件的强弱、速率是否最优、平滑参数如何选取、算法收敛性保证的细节，也无法核实证明的完整性与结果的一般性；摘要未说明具体数值结果或实证应用。
原文摘要
Theoretical guarantees are established for a standard estimator in a semi-parametric finite mixture model, where each component density is modeled as a product of univariate densities under a conditional independence assumption. The focus is on the estimator that maximizes a smoothed log-likelihood function, which can be efficiently computed using a majorization-minimization algorithm. This smoothed likelihood applies a nonlinear regularization operator defined as the exponential of a kernel convolution on the logarithm of each component density. Consistency of the estimators is demonstrated by leveraging classical M-estimation frameworks under mild regularity conditions. Subsequently, convergence rates for both finite- and infinite-dimensional parameters are derived by exploiting structural properties of the smoothed likelihood, the behavior of the iterative optimization algorithm, and a thorough study of the profile smoothed likelihood. This work provides the first rigorous theoretical guarantees for this estimation approach, bridging the gap between practical algorithms and statistical theory in semi-parametric mixture modeling.