A formula for the curvature of the likelihood surface of a sample drawn from a distribution admitting sufficient statistics
具有充分统计量的分布样本之似然曲面曲率公式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：摘要讨论似然几何与信息矩阵的通用关系，未提供所列应用领域细分的依据。
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
具有充分统计量的分布样本之似然曲面曲率公式
- 研究问题
- 对具有参数充分统计量的分布，如何在最大似然估计点刻画样本似然曲面或超曲面的曲率，并联系 Fisher 信息矩阵？
- 方法与思路
- 作者分别讨论双参数与多参数情形，用 Fisher 信息矩阵的元素表达相应曲率，并给出曲率不变量及大样本解释。
- 材料陈述的贡献
- 摘要称，论文建立最大似然估计点的似然曲率与信息矩阵之间的公式联系，涵盖双参数曲面及多参数超曲面的情形。
- 阅读关注点
- 应核对似然曲面和曲率的具体定义、参数坐标与充分统计量条件，以及信息矩阵的使用方式和大样本解释的范围。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；未提供曲面的定义和公式条件，不能直接推广到任意模型或参数化。
原文摘要
In this paper is given a formula for the curvature of the ‘likelihood surface’ (see §3) of a sample drawn from a distribution admitting sufficient statistics for the parameters, at the point represented by the maximum likelihood estimates (m.I.e.) of the parameters. More precisely it is shown in the case of two parameters that the negative of the trace and the determinant of Fisher's information matrix, respectively, measure the first and second (Gaussian) curvatures of the ’likelihood surface‘ at the point represented by the m.l.e.'s of the parameters. In the case of m parameters an expression for the Riemann curvature of the ‘likelihood hypersurface’ (see § 4) of a sample at the point represented by the m.l.e.'s is obtained in terms of the elements of Fisher's information matrix. An expression for Riemann's curvature invariant is also obtained. A large sample interpretation is given.