Accurate directional inference for vector parameters
向量参数的高精度方向推断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：摘要属于通用似然检验理论，没有直接指向用户列出的计量应用或专门模型方向。
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
向量参数的高精度方向推断
- 研究问题
- 在含有限维干扰参数的正则渐近模型中，如何对向量目标参数开展高精度检验，并应对似然比方法在较高维度下的失准？
- 方法与思路
- 作者利用高精度似然理论构造方向检验，通过一维数值积分计算 p 值，并将方法扩展到非线性目标参数和更一般的模型。
- 材料陈述的贡献
- 摘要称该扩展超出线性指数族情形；例子与模拟显示方向推断精度很高，包括所考察的似然比方法严重失准的高维设置。
- 阅读关注点
- 应核对方向路径和积分的构造、正则性条件、维度与样本量的关系，以及与普通和调整似然比检验比较时的模型设置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明高维结论的具体适用条件，也未报告误差数值。
原文摘要
We consider statistical inference for a vector-valued parameter of interest in a regular asymptotic model with a finite-dimensional nuisance parameter. We use highly accurate likelihood theory to derive a directional test, in which the |$p$|-value is obtained by one-dimensional numerical integration. This extends the results of Davison et al. (2014) for linear exponential families to nonlinear parameters of interest and to more general models. Examples and simulations provide comparisons with the likelihood ratio test and adjusted versions of the likelihood ratio test. The directional approach gives extremely accurate inference, even in high-dimensional settings where the likelihood ratio versions can fail catastrophically.