A unified analysis of likelihood-based estimators in the Plackett–Luce model
Plackett–Luce 模型中似然估计量的统一分析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：摘要以排序选择模型及其效用向量估计为核心，直接对应离散选择方向。
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
Plackett–Luce 模型中似然估计量的统一分析
- 研究问题
- 在被比较对象数量增长时，Plackett–Luce 排序模型的不同似然估计能否稳定恢复效用向量，其统计效率与计算复杂度如何权衡？
- 方法与思路
- 作者分析完整、边际及准似然估计的估计方程，在满足拓扑条件的确定性图序列上建立渐近理论，并讨论随机超图抽样场景。
- 材料陈述的贡献
- 摘要称，这些估计量具有一致的均匀收敛性质和渐近正态性，并讨论效率与计算成本的权衡，数值结果支持相关分析。
- 阅读关注点
- 应核对效用参数的归一化、图拓扑条件与抽样设计的联系，以及对象数增长时各估计量的方差和计算成本比较。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体拓扑门槛、效率差异和数值结果未提供，比较图不能直接解释为经济主体间干扰。
原文摘要
The Plackett–Luce model has been extensively used for rank aggregation in social choice theory. A central statistical question in this model concerns estimating the utility vector that governs the model’s likelihood. In this paper, we investigate the asymptotic theory of utility vector estimation by maximizing different types of likelihood, such as full, marginal, and quasi-likelihood. Starting from interpreting the estimating equations of these estimators to gain some initial insights, we analyze their asymptotic behavior as the number of compared objects increases. In particular, we establish both uniform consistency and asymptotic normality of these estimators and discuss the trade-off between statistical efficiency and computational complexity. For generality, our results are proven for deterministic graph sequences under appropriate graph topology conditions. These conditions are shown to be informative when applied to common sampling scenarios, such as nonuniform random hypergraph models and hypergraph stochastic block models. Numerical results are provided to support our findings.