A maximum likelihood method for the incidental parameter problem
处理附带参数问题的极大似然方法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：摘要明确包含固定效应动态面板及固定效应自回归模型，直接涉及面板附带参数问题。
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
处理附带参数问题的极大似然方法
- 研究问题
- 当附带参数随样本扩展时，如何通过不变性保留目标结构参数并降低参数空间维度，获得具有可证明性质的似然估计？
- 方法与思路
- 作者寻找保留结构参数的群作用，从最大不变统计量的似然构造最大不变似然估计，并区分似然可分解与不可分解情形。
- 材料陈述的贡献
- 摘要称在可分解情形可建立一致性，并在不变性产生Wishart分布时给出一致、渐近正态和有效结果，例子包括动态面板。
- 阅读关注点
- 应核对群作用与最大不变量的构造、渐近框架及似然分解条件，并区分一般未解决情形与Wishart特例的保证。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要明确指出一般不可分解似然的渐近性质仍开放，不能声称已普遍解决附带参数问题。
原文摘要
This paper uses the invariance principle to solve the incidental parameter problem of [Econometrica 16 (1948) 1–32]. We seek group actions that preserve the structural parameter and yield a maximal invariant in the parameter space with fixed dimension. M-estimation from the likelihood of the maximal invariant statistic yields the maximum invariant likelihood estimator (MILE). Consistency of MILE for cases in which the likelihood of the maximal invariant is the product of marginal likelihoods is straightforward. We illustrate this result with a stationary autoregressive model with fixed effects and an agent-specific monotonic transformation model. Asymptotic properties of MILE, when the likelihood of the maximal invariant does not factorize, remain an open question. We are able to provide consistent, asymptotically normal and efficient results of MILE when invariance yields Wishart distributions. Two examples are an instrumental variable (IV) model and a dynamic panel data model with fixed effects.