Multiway empirical likelihood
多维索引数据的经验似然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：摘要明确以二部网络为方法应用之一，直接对应网络数据推断。
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…
多维索引数据的经验似然
- 研究问题
- 当观测由多组实体共同索引，且 Hoeffding 型分解可能退化时，如何构造具有可用极限分布的经验似然推断？
- 方法与思路
- 作者通过删除行或列构造类似刀切法的伪值，提出多维经验似然统计量，并进一步修改统计量以处理分解退化的情形。
- 材料陈述的贡献
- 摘要称，原统计量在非退化情形下收敛于卡方分布，修改版本在退化与非退化情形均成立，并讨论简化设定中的高阶性质。
- 阅读关注点
- 应核对多组实体间的依赖限制、各维样本量增长方式、退化判定与修正机制，以及卡方自由度和高阶结论的适用设定。
- 阅读边界
- 仅依据所给出版社摘要；具体正则条件、统计量公式和高阶改进幅度未说明，不能理解为对所有多维依赖结构均有效。
原文摘要
This paper develops a general methodology to conduct statistical inference for observations indexed by multiple sets of entities. We propose a novel multiway empirical likelihood statistic that converges to a chi-square distribution under the non-degenerate case, where corresponding Hoeffding type decomposition is dominated by linear terms. Our methodology is related to the notion of jackknife empirical likelihood but the leave-out pseudo values are constructed by leaving out columns or rows. We further develop a modified version of our multiway empirical likelihood statistic, which converges to a chi-square distribution regardless of the degeneracy, and discuss its desirable higher-order property in a simplified setup. The proposed methodology is illustrated by several important econometric problems, such as bipartite network, generalized estimating equations, and three-way observations.