A Note on Maximum Likelihood Estimation for Regression Models Using Grouped Data
使用分组数据估计回归模型的最大似然方法札记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：摘要属于分组或删失回归的通用似然理论，未明确涉及离散选择、结构估计或其他所列细分方向。
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
使用分组数据估计回归模型的最大似然方法札记
- 研究问题
- 研究一类回归模型使用分组或删失数据时，如何通过参数表示改善似然函数的形状，并理解最大似然估计存在性与唯一性问题。
- 方法与思路
- 作者对参数进行简单重参数化，考察正态、极值等常用分布下变换后对数似然的凹性，并讨论对已有估计算法的修改。
- 材料陈述的贡献
- 摘要称若干常用分布经重参数化后得到凹对数似然，这对估计存在性和唯一性有理论意义，并给出算法调整建议及两个例子。
- 阅读关注点
- 应核对所覆盖的回归模型、分组与删失机制、参数空间，以及凹性何时足以支持估计存在、唯一和算法收敛。
- 阅读边界
- 仅据所给Crossref摘要；凹性不自动保证有限且唯一的最大值，相关附加条件和算法细节未说明，也不能推断其他版本变化。
原文摘要
Summary The estimation of parameters for a class of regression models using grouped or censored data is considered. It is shown that with a simple reparameterization some commonly used distributions, such as the normal and extreme value, result in a log-likelihood which is concave with respect to the transformed parameters. Apart from its theoretical implications for the existence and uniqueness of maximum likelihood estimates, this result suggests minor changes to some commonly used algorithms for maximum likelihood estimation from grouped data. Two simple examples are given.