On asymptotic validity of naive inference with an approximate likelihood
近似似然下直接推断的渐近有效性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：摘要讨论通用近似似然理论，示例为潜变量与 Ising 模型，未提供归入所列经济或金融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
近似似然下直接推断的渐近有效性
- 研究问题
- 当真实似然难以计算而用近似似然替代时，直接将近似视为真实似然进行推断，何时仍能保持相同的一阶渐近性质？
- 方法与思路
- 作者研究保证近似似然推断一阶渐近等价的条件，并考察两层潜变量模型中的 Laplace 近似及 Ising 模型中的依赖简化。
- 材料陈述的贡献
- 摘要称给出近似似然与真实似然推断具有相同一阶渐近性质的充分保障条件，并分析两类具体近似方法中的含义。
- 阅读关注点
- 阅读时应核对条件如何限制近似误差及其导数、误差与样本规模的关系，以及两类示例如何满足这些条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。具体误差条件及证明未提供，一阶渐近等价不能直接保证有限样本推断准确。
原文摘要
Many statistical models have likelihoods which are intractable: it is impossible or too expensive to compute the likelihood exactly. In such settings, a common approach is to replace the likelihood with an approximation, and proceed with inference as if the approximate likelihood were the true likelihood. In this paper, we describe conditions which guarantee that such naive inference with an approximate likelihood has the same first-order asymptotic properties as inference with the true likelihood. We investigate the implications of these results for inference using a Laplace approximation to the likelihood in a simple two-level latent variable model and using reduced dependence approximations to the likelihood in an Ising model.