Maximum Likelihood Estimation with Incomplete Multinomial Data
不完整多项分布数据的极大似然估计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：多项分布在此用于一般分类数据估计，摘要没有经济离散选择行为或模型的直接证据。
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
不完整多项分布数据的极大似然估计
- 研究问题
- 多项分布抽样中部分观测只能被部分分类时，这些观测包含多少信息，如何与完全分类数据共同用于参数估计？
- 方法与思路
- 作者评估部分分类观测的信息量，并联合完全分类与部分分类数据获得极大似然估计；一般采用迭代求解，特殊情形可有闭式解。
- 材料陈述的贡献
- 摘要称，文章给出利用两类分类信息的极大似然估计，识别需要迭代的一般情形，以及能够直接得到闭式解的特殊情形。
- 阅读关注点
- 应核对部分分类对应的类别集合、分类机制与似然构造、信息量定义，并查看迭代算法及闭式解成立的条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。分类机制、迭代步骤及特殊条件未说明，不能假定任意不完整分类均可无偏处理或推断刊本变化。
原文摘要
When sampling from a multinomial population, it may happen either by chance or by design that some of the observations are only partially classified. In this article the amount of information in the partially classified observation is evaluated, and maximum likelihood estimators are obtained using both completely classified and partially classified data. In general an iterative solution is required, but special cases are identified in which the solution is obtained in closed form.