Statistical Inference: Likelihood to Significance
统计推断：从似然到显著性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：摘要讨论通用似然与渐近推断，缺乏归入所列应用或模型细分方向的直接依据。
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
统计推断：从似然到显著性
- 研究问题
- 如何将似然信息转换为显著性水平或尾概率，并理解一阶与三阶渐近方法之间的信息需求和近似精度差异？
- 方法与思路
- 作者梳理标准化估计量、得分及有符号似然比平方根的一阶转换，再介绍需要似然对数据变化的一阶导数信息的三阶方法。
- 材料陈述的贡献
- 摘要称三阶渐近方法可显著提高近似精度，并综述多变量、多参数情形的扩展，指出仍需继续研究的主要领域。
- 阅读关注点
- 应核对三阶近似的适用条件、所需数据导数的定义与计算，以及精度陈述所针对的误差标准和多参数扩展范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出具体展开式、正则条件或误差界，不能判断任意模型下的精度改善。
原文摘要
The concepts of likelihood and significance were defined and initially developed by R. A. Fisher, but followed almost separate and distinct routes. We suggest that a central function of statistical inference is in fact the conversion of the first, likelihood, into the second, significance: a linking of the Fisher concepts. A first-order asymptotic route for this is incorporated into most statistical packages. It uses the standardized maximum likelihood estimate, the standardized score, or the signed square root of the likelihood ratio statistic as arguments for the standard normal distribution function, thus giving approximate tail probabilities or observed levels of significance. Recent third-order asymptotic methods provide a substantial increase in accuracy but need the first derivative dependence of likelihood on the data value as an additional input. This can be envisaged as the effect on the likelihood function of dithering the data point. Extensions to the multivariate, multiparameter context are surveyed, indicating major areas for continuing research.