Nonparametric Maximum Likelihood Methods for Binary Response Models With Random Coefficients
随机系数二元响应模型的非参数极大似然方法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：摘要明确研究随机系数二元响应模型，并应用于通勤方式选择，直接支持离散选择分类；未另推断结构估计贡献。
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
随机系数二元响应模型的非参数极大似然方法
- 研究问题
- 随机系数二元响应模型的非参数极大似然估计受到计算困难限制，如何提高可计算性并建立相应估计的一致性？
- 方法与思路
- 作者结合计算几何与凸优化改进非参数极大似然计算，在扩展剖面似然框架下分析一致性，并与反卷积方法比较。
- 材料陈述的贡献
- 摘要称新算法显著提高计算可行性，并建立扩展剖面似然方法的一致性；模拟及华盛顿地区通勤方式选择展示应用。
- 阅读关注点
- 应核对随机系数分布与二元响应的识别条件、几何划分和优化规模，以及扩展剖面似然的一致性对象及比较设置。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；摘要未列出识别条件、计算复杂度或比较数值，不能据此断言优于所有反卷积方法。
原文摘要
The venerable method of maximum likelihood has found numerous recent applications in nonparametric estimation of regression and shape constrained densities. For mixture models the nonparametric maximum likelihood estimator (NPMLE) of Kiefer and Wolfowitz plays a central role in recent developments of empirical Bayes methods. The NPMLE has also been proposed by Cosslett as an estimation method for single index linear models for binary response with random coefficients. However, computational difficulties have hindered its application. Combining recent developments in computational geometry and convex optimization, we develop a new approach to computation for such models that dramatically increases their computational tractability. Consistency of the method is established for an expanded profile likelihood formulation. The methods are evaluated in simulation experiments, compared to the deconvolution methods of Gautier and Kitamura and illustrated in an application to modal choice for journey-to-work data in the Washington DC area. Supplementary materials for this article are available online.