Improving the Limited Information Maximum Likelihood Estimator When the Disturbances are Small
扰动较小时有限信息极大似然估计量的改进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：摘要仅讨论 LIML 等估计量的理论改进，未明确结构模型或因果识别问题，不足以归入所列细分方向。
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
扰动较小时有限信息极大似然估计量的改进
- 研究问题
- 在扰动较小的情形下，有限信息极大似然估计量是否具有可改进空间，如何利用其他估计量改善其表现？
- 方法与思路
- 作者通过估计量分布的渐近展开讨论 LIML 的不可容许性，并将其与两阶段估计量或普通最小二乘估计量作线性组合。
- 材料陈述的贡献
- 摘要称，按照所采用的渐近展开评价，LIML 不可容许，且与两阶段或普通最小二乘估计量线性组合能够形成改进。
- 阅读关注点
- 应核对小扰动渐近框架、损失函数、不可容许性的适用范围，以及线性组合权重的构造和改进成立的具体条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读。摘要未说明模型、评价准则与组合权重，不能推断有限样本或一般条件下的支配关系。
原文摘要
The limited information maximum likelihood (LIML) estimator is shown to be inadmissible in terms of asymptotic expansions of the distributions of the estimators. The LIML estimator is improved by combining it linearly with the two-stage or the ordinary least squares estimator.