Selecting likelihood weights by cross-validation
通过交叉验证选择似然权重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：摘要讨论通用加权似然与疾病地图应用，未明确对应所列经济计量细分方向。
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
通过交叉验证选择似然权重
- 研究问题
- 加权似然利用相关信息进行偏差与精度权衡时，应如何选择权重，使所得估计量具有可论证的大样本性质？
- 方法与思路
- 作者使用交叉验证选择相关性加权似然中的权重，分析所得加权似然估计量，并以疾病地图数据展示应用。
- 材料陈述的贡献
- 摘要称，交叉验证选择权重后的估计量具有弱一致性与渐近正态性，并提供疾病地图应用；未给出精度改善的具体结果。
- 阅读关注点
- 核对交叉验证目标、权重约束和信息来源之间的关系，以及权重由数据选择后，一致性与渐近正态性所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明权重选择细节、渐近条件或有限样本收益，不能断言普遍提高精度。
原文摘要
The (relevance) weighted likelihood was introduced to formally embrace a variety of statistical procedures that trade bias for precision. Unlike its classical counterpart, the weighted likelihood combines all relevant information while inheriting many of its desirable features including good asymptotic properties. However, in order to be effective, the weights involved in its construction need to be judiciously chosen. Choosing those weights is the subject of this article in which we demonstrate the use of cross-validation. We prove the resulting weighted likelihood estimator (WLE) to be weakly consistent and asymptotically normal. An application to disease mapping data is demonstrated.