Accurate confidence limits for scalar functions of vector M-estimands
向量 M 估计目标的标量函数：高精度置信限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：摘要属于一般 M 估计与高阶置信区间理论，没有提供所列经济计量细分方向的直接证据。
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
向量 M 估计目标的标量函数：高精度置信限
- 研究问题
- 当标量参数由多元 M 估计量的函数估计时，如何利用学生化统计量的偏差与偏度，提高置信限的覆盖精度？
- 方法与思路
- 作者推导偏差与偏度的渐近公式，借助矩阵运算和数值微分计算，并讨论降偏度变换及推广的 ABC 方法。
- 材料陈述的贡献
- 摘要称，论文讨论二阶准确置信限；数值例子显示，重参数化或参数化不变方法的覆盖精度优于所比较的多项式修正。
- 阅读关注点
- 应核对二阶准确性的定义、学生化与数值微分的实现，及重参数化同经验似然的联系和数值比较的实验范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列高阶展开条件，示例中的覆盖改善不能推广为所有 M 估计问题的优势。
原文摘要
This paper concerns high‐order inference for scalar parameters that are estimated by functions of multivariate M‐estimators. Asymptotic formulae for the bias and skewness of the studentised statistic are derived. Although these formulae appear complicated, they can be evaluated easily by using matrix operations and numerical differentiation. Various methods for constructing second‐order accurate confidence limits are discussed, including a method based on skewness‐reducing transformations and a generalisation of the ABC method. The use of the skewness‐reducing transformations is closely related to empirical likelihood; expressing the studentised statistic in terms of a skewness‐reducing reparameterisation brings the standard asymptotic intervals closer in shape to empirical likelihood intervals. The improvement in one‐ and two‐sided coverage accuracy achieved by taking the bias and skewness into account is illustrated in numerical examples. It is found in the examples that taking skewness into account by reparameterisation or parameterisation invariance yields better coverage accuracy than correcting for skewness by polynomial expansions.