Inference for Exponential Order Statistic Models Based on an Integrated Likelihood Function
基于积分似然的指数次序统计量模型推断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：摘要研究指数次序统计量与总体数量的通用统计推断，未明确对应所给经济计量细分方向。
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
基于积分似然的指数次序统计量模型推断
- 研究问题
- 仅观察到若干指数检测时间的次序统计量、检测速率未知时，如何估计总体数量，并处理数量的极大似然估计可能无穷大的问题？
- 方法与思路
- 作者将检测速率参数积分消去，构造用于总体数量推断的伪似然，以其最大化定义积分似然估计，并研究数量较大时的渐近性质。
- 材料陈述的贡献
- 摘要称积分似然估计保持有限且抽样性质优于极大似然估计，另建立总体数量较大时的参数渐近分析，并展示两个数据应用。
- 阅读关注点
- 应核对速率参数的积分方式、可观察次序统计量的选择机制，以及有限性证明、抽样性质比较和大数量渐近框架。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读。摘要未说明积分所用测度、优势成立的条件或数据细节，不能推断改善幅度与普遍性。
原文摘要
Methods of statistical inference are developed for the exponential order statistic (EOS) model, where only a subset of order statistics from a collection of N iid exponential random detection times is observable. When the rate parameter for detections is unknown, the maximum likelihood estimator (MLE) of the unknown integer parameter N can be infinite with substantial probability. Inference for N is developed using a pseudolikelihood function obtained by integrating out the rate parameter. The estimator that maximizes this function, called the integrated likelihood estimator (ILE), is shown to be finite and to have better sampling properties than the MLE. Parameter-based asymptotics are developed for the case where N is large. Application of the methodology is illustrated using two datasets.