EMPIRICAL LIKELIHOOD BASED INFERENCE WITH APPLICATIONS TO SOME ECONOMETRIC MODELS
基于经验似然的推断及其在若干计量模型中的应用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：摘要聚焦一般估计方程和经验似然高阶理论，未给出能够支持所列应用细分领域的具体模型。
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
基于经验似然的推断及其在若干计量模型中的应用
- 研究问题
- 对于由估计方程隐式定义的参数，如何建立经验似然比检验的高阶理论，并比较 Bartlett 修正与 bootstrap 的精度？
- 方法与思路
- 作者通过对偶似然引入参数似然方法，推导估计量与似然比的 Edgeworth 展开，并利用 Bartlett 型恒等式论证修正。
- 材料陈述的贡献
- 摘要称该方法给出 Bartlett 修正存在性的简洁证明，并证明 bootstrap 似然比达到与 Bartlett 修正相同的高阶精度。
- 阅读关注点
- 应核对估计方程和矩条件、对偶似然与经验似然的对应、展开有效性的要求，以及所谓相同高阶精度的具体阶数。
- 阅读边界
- 仅据所给 OpenAlex 摘要；具体应用模型、正则条件和有限样本表现未说明，不能据此判断实际精度或其他版本内容。
原文摘要
This paper uses the concept of dual likelihood to develop some higher order asymptotic theory for the empirical likelihood ratio test for parameters defined implicitly by a set of estimating equations. The resulting theory is likelihood based in the sense that it relies on methods developed for ordinary parametric likelihood models to obtain valid Edgeworth expansions for the maximum dual likelihood estimator and for the dual/empirical likelihood ratio statistic. In particular, the theory relies on certain Bartlett-type identities that can be used to produce a simple proof of the existence of a Bartlett correction for the dual/empirical likelihood ratio. The paper also shows that a bootstrap version of the dual/empirical likelihood ratio achieves the same higher order accuracy as the Bartlett-corrected dual/empirical likelihood ratio.This paper is based on Chapter 2 of my Ph.D. dissertation at the University of Southampton. Partial financial support under E.S.R.C. grant R00429634019 is gratefully acknowledged. I thank my supervisor, Grant Hillier, for many stimulating conversations and Peter Phillips, Andrew Chesher, and Jan Podivisnky for some useful suggestions. In addition, I am very grateful to the co-editor Donald Andrews and two referees for many valuable comments that have improved noticeably the original draft. All remaining errors are my own responsibility.