Profile-kernel likelihood inference with diverging number of parameters
参数维数增长时的剖面核似然推断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：摘要关注增长维数的半参数回归理论与计算，未明确涉及面板、因果识别、结构估计等所列细分方向。
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
参数维数增长时的剖面核似然推断
- 研究问题
- 在预测变量数量随样本量增加的广义变系数部分线性模型中，如何开展剖面似然估计、检验并降低计算负担？
- 方法与思路
- 作者研究增长维数下的剖面似然估计与似然比推断，提出加速剖面核算法，并通过模拟及真实数据进行考察。
- 材料陈述的贡献
- 摘要称，在正则条件下建立估计量存在性、渐近正态性及Wilks现象，模拟中加速算法保持效率并节省计算时间。
- 阅读关注点
- 应核对参数维数增长限制、平滑与正则条件、似然比极限的适用范围，以及加速算法的停止规则和比较设置。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，具体增长速率、定理条件和模拟数值未提供，计算优势不能外推至所有情形。
原文摘要
The generalized varying coefficient partially linear model with growing number of predictors arises in many contemporary scientific endeavor. In this paper we set foot on both theoretical and practical sides of profile likelihood estimation and inference. When the number of parameters grows with sample size, the existence and asymptotic normality of the profile likelihood estimator are established under some regularity conditions. Profile likelihood ratio inference for the growing number of parameters is proposed and Wilk's phenomenon is demonstrated. A new algorithm, called the accelerated profile-kernel algorithm, for computing profile-kernel estimator is proposed and investigated. Simulation studies show that the resulting estimates are as efficient as the fully iterative profile-kernel estimates. For moderate sample sizes, our proposed procedure saves much computational time over the fully iterative profile-kernel one and gives stabler estimates. A set of real data is analyzed using our proposed algorithm.