Convergence of Luo and Tsai's iterative algorithm for estimation in proportional likelihood ratio models
比例似然比模型中 Luo 与 Tsai 估计迭代算法的收敛性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：摘要仅说明一般半参数模型的算法收敛结果，没有足够依据归入所列领域细分。
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
比例似然比模型中 Luo 与 Tsai 估计迭代算法的收敛性
- 研究问题
- Luo 与 Tsai 为比例似然比模型的基准分布函数估计提出了迭代算法，但此前未建立其收敛性；本文解决这一证明缺口。
- 方法与思路
- 作者对已有的基准分布函数估计迭代算法提供收敛证明；摘要未说明证明工具、收敛度量、初始化要求或具体迭代形式。
- 材料陈述的贡献
- 摘要明确陈述的贡献是补充已有迭代算法的收敛证明，没有宣称提出新模型、新算法、统计效率结果或计算性能比较。
- 阅读关注点
- 应核对收敛所需条件、初始化限制、极限对象及其与目标估计量的关系，并区分算法收敛与统计一致性和全局最优性。
- 阅读边界
- 材料为版本未注明的索引摘要；未给出证明条件、收敛速度或极限性质，不能推出估计一致性、唯一性或全局最优性，也不能推断刊本变化。
原文摘要
Luo & Tsai (2012, Biometrika) introduced the proportional likelihood ratio model. They proposed an iterative algorithm for the estimation of the baseline distribution function but did not establish its convergence. Here we provide a proof of convergence.