Estimation in exponential families on permutations
排列上的指数族估计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：摘要研究排列概率模型的统计估计，未明确建立离散选择行为模型或所列其他应用。
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
排列上的指数族估计
- 研究问题
- 对包含多种 Mallows 排名模型的单参数排列指数族，如何计算归一化常数的渐近行为并获得可计算的一致估计？
- 方法与思路
- 作者分析归一化常数的渐近形式，研究最大似然、近似最大似然和 Besag 伪似然估计，并使用 IPFP 迭代算法。
- 材料陈述的贡献
- 摘要称最大似然及其可计算近似一致，伪似然估计具有根号样本量阶一致性，并证明 IPFP 收敛到极限归一化常数。
- 阅读关注点
- 应核对排列规模与样本量的含义、参数空间和一致性条件、近似似然构造，以及算法收敛目标与实际计算误差。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供渐近正态性、算法速度或完整条件，不能由排名模型推断选择行为机制。
原文摘要
Asymptotics of the normalizing constant are computed for a class of one parameter exponential families on permutations which include Mallows models with Spearmans’s Footrule and Spearman’s Rank Correlation Statistic. The MLE and a computable approximation of the MLE are shown to be consistent. The pseudo-likelihood estimator of Besag is shown to be $\sqrt{n}$-consistent. An iterative algorithm (IPFP) is proved to converge to the limiting normalizing constant. The Mallows model with Kendall’s tau is also analyzed to demonstrate the flexibility of the tools of this paper.