Approximate Likelihood Ratios for General Estimating Functions
一般估计函数的近似似然比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：摘要讨论一般估计函数与似然比推断，聚类数据不足以确定属于面板数据等给定细分方向。
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
一般估计函数的近似似然比
- 研究问题
- 当观测的完整分布未知时，如何在估计函数存在多重根、Wald 检验表现不佳或缺少拟合优度检验的情况下开展推断？
- 方法与思路
- 作者构造可配合估计函数使用的近似似然比，比较拟似然与线性投影两条构造路径，并讨论聚类数据和权重误设情形。
- 材料陈述的贡献
- 摘要称该方法在较一般条件下提供正确的大样本推断，并表明两种构造密切相关，拟似然是投影方法的极限。
- 阅读关注点
- 阅读全文时应核对大样本结论的具体条件、多重根的处理方式、拟合优度检验的构造，以及两种方法之间的极限关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出正则条件或应用细节，不能据此判断小样本表现及刊本差异。
原文摘要
The method of estimating functions (Godambe, 1991) is commonly used when one desires to conduct inference about some parameters of interest but the full distribution of the observations is unknown. However, this approach may have limited utility, due to multiple roots for the estimating function, a poorly behaved Wald test, or lack of a goodness-of-fit test. This paper presents approximate likelihood ratios that can be used along with estimating functions when any of these three problems occurs. We show that the approximate likelihood ratio provides correct large sample inference under very general circumstances, including clustered data and misspecified weights in the estimating function. Two methods of constructing the approximate likelihood ratio, one based on the quasi-likelihood approach and the other based on the linear projection approach, are compared and shown to be closely related. In particular we show that quasi-likelihood is the limit of the projection approach. We illustrate the technique with two applications.