Maximum Likelihood Estimation Under Order Restrictions by the Prior Feedback Method
利用先验反馈法进行顺序约束下的极大似然估计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：摘要研究一般受限极大似然优化，未提供结构估计或其他所列经济计量方向的直接证据。
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
利用先验反馈法进行顺序约束下的极大似然估计
- 研究问题
- 顺序约束线性模型与更一般受限似然问题的算法常依赖具体结构，如何构造适用范围更广的优化方法？
- 方法与思路
- 作者使用方差趋于零的一系列形式贝叶斯估计构造优化方法；这些估计可通过精确计算或马尔可夫链蒙特卡洛近似获得。
- 材料陈述的贡献
- 摘要称该方法类似模拟退火，其适用性以能够计算相应贝叶斯估计为前提，并用两个真实案例说明实施方式。
- 阅读关注点
- 应核对先验反馈与方差递减机制、约束如何进入估计、精确计算和蒙特卡洛近似的要求，以及算法收敛的具体保证。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；收敛条件、计算代价和案例结果未提供，“普遍适用”仍受贝叶斯估计可计算性限制。
原文摘要
Algorithms for deriving isotonic regression estimators in order-restricted linear models and more generally restricted maximum likelihood estimators are usually quite dependent on the particular problem considered. We propose here an optimization method based on a sequence of formal Bayes estimates whose variances converge to zero. This method, akin to simulated annealing, can be applied “universally”; that is, as long as these Bayes estimators can be derived by exact computation or Markov chain Monte Carlo sampling approximation. We then give an illustration of our method for two real-life examples.