Maximum Likelihood Estimation for Dependent Observations
依赖观测下的最大似然估计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：摘要研究一般依赖观测的似然渐近理论，未明确指定时间序列、面板或其他所列应用结构。
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
依赖观测下的最大似然估计
- 研究问题
- 一般依赖观测下，最大似然估计何时具有弱一致性和渐近正态性；部分参数的累积信息不持续增长时，其他参数如何一致估计？
- 方法与思路
- 作者推导依赖观测下最大似然估计的渐近条件，并分析信息积累有限的暂态参数存在时其余参数的估计问题。
- 材料陈述的贡献
- 摘要称，文章给出弱一致性和渐近正态性的条件，讨论暂态参数情形，提供示例并联系 Neyman–Scott 的相关工作。
- 阅读关注点
- 应核对依赖结构、似然可微性与信息增长条件，以及暂态参数如何影响其他参数的识别、一致性和渐近分布。
- 阅读边界
- 仅据 Crossref 摘要；摘要未列出具体条件或示例，不能将一般依赖观测自动归为时间序列或面板，也不能认定暂态参数问题均已解决。
原文摘要
Summary The asymptotic properties of m.l.e. are discussed for generally dependent observations. Conditions are derived for weak consistency and asymptotic Normality of the estimates. We further consider the case where some of the parameters are “transient” in the sense that the accumulated information on them from the sample does not increase indefinitely; then the interest lies in estimating the other parameters consistently. Examples are given, and the work is related to that of Neyman and Scott (1948).