Improved Likelihood Inference for Discrete Data
离散数据的改进似然推断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：计数和列联表的通用似然推断不等同于离散选择模型，摘要不足以支持所列细分标签。
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
离散数据的改进似然推断
- 研究问题
- 计数数据和列联表分析通常依赖一阶近似，如何将连续数据中的高阶似然推断扩展到离散数据，以改善近似精度？
- 方法与思路
- 作者通过以得分变量表示的近似指数模型，将连续数据的高阶推断结果扩展至离散数据，并用若干例子展示方法。
- 材料陈述的贡献
- 摘要称该扩展形成具有较广适用性的二阶准确推断方法；连续情形中的三阶程序是出发点，离散扩展的精度为二阶。
- 阅读关注点
- 应核对二阶准确性的定义与条件、离散性如何进入近似指数模型、参数分量的处理，以及例子中的误差评估方式。
- 阅读边界
- 仅依据 Crossref 摘要；具体适用模型、正则条件和例子结果未提供，不能认为该方法对所有离散数据均有同样精度。
原文摘要
Summary Discrete data, particularly count and contingency table data, are typically analysed by using methods that are accurate to first order, such as normal approximations for maximum likelihood estimators. By contrast continuous data can quite generally be analysed by using third-order procedures, with major improvements in accuracy and with intrinsic separation of information concerning parameter components. The paper extends these higher order results to discrete data, yielding a methodology that is widely applicable and accurate to second order. The extension can be described in terms of an approximating exponential model that is expressed in terms of a score variable. The development is outlined and the flexibility of the approach is illustrated by examples.