Consistent Pseudo-Maximum Likelihood Estimators and Groups of Transformations
相合伪极大似然估计量与变换群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：摘要主体是变换模型下的一般一致性理论，随机波动与空间交互仅作示例，缺少归入所列具体领域的充分依据。
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
相合伪极大似然估计量与变换群
- 研究问题
- 在误差分布被错误指定的变换模型中，如何通过扩展模型获得原参数某些函数的一致伪极大似然估计？
- 方法与思路
- 作者在误差独立同分布且独立于解释变量的变换模型中，将原模型嵌入参数更多的可识别增广模型，以恢复特定参数函数的一致性。
- 材料陈述的贡献
- 摘要称该增广建模思路可推导适当参数函数的一致估计，并以非线性方程组、条件异方差、随机波动与空间交互模型说明用途。
- 阅读关注点
- 应核对增广模型如何保持识别、哪些参数函数可一致估计，以及变换结构与误差分布错设之间的关系，关注各例的适用条件。
- 阅读边界
- 摘要未说明增广模型的具体构造、可恢复参数函数的范围及估计效率；一致性结论针对适当参数函数，不能扩大为原参数全部可恢复。
原文摘要
In a transformation model yt=c[a(xt,β),ut], where the errors ut are i.i.d. and independent of the explanatory variables xt, the parameters can be estimated by a pseudo‐maximum likelihood (PML) method, that is, by using a misspecified distribution of the errors, but the PML estimator of β is in general not consistent. We explain in this paper how to nest the initial model in an identified augmented model with more parameters in order to derive consistent PML estimators of appropriate functions of parameter β. The usefulness of the consistency result is illustrated by examples of systems of nonlinear equations, conditionally heteroscedastic models, stochastic volatility, or models with spatial interactions.