Maximum Likelihood from Incomplete Data Via the EM Algorithm
通过 EM 算法对不完整数据进行最大似然估计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：摘要是通用不完整数据计算方法，提及因子分析不足以明确归入宏观或金融因子模型。
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 EM 算法对不完整数据进行最大似然估计
- 研究问题
- 面对不完整数据，如何构造适用于多类模型的最大似然计算算法，并说明迭代中的似然单调性和收敛性质？
- 方法与思路
- 作者在不同一般性层次提出 EM 算法，推导似然单调行为与收敛理论，并概述缺失、删失、截断和混合模型等应用。
- 材料陈述的贡献
- 摘要称，文章提供广泛适用的不完整数据最大似然算法及其理论，并展示方差分量、超参数和因子分析等应用场景。
- 阅读关注点
- 应核对各应用中的完整数据设定、迭代步骤、单调性与收敛的条件，以及收敛目标是否等同于所需最大似然解。
- 阅读边界
- 仅据所给 Crossref 摘要；收敛条件和目标性质未详述，不能将似然单调性解释为必然达到全局最大值或计算速度更快。
原文摘要
Summary A broadly applicable algorithm for computing maximum likelihood estimates from incomplete data is presented at various levels of generality. Theory showing the monotone behaviour of the likelihood and convergence of the algorithm is derived. Many examples are sketched, including missing value situations, applications to grouped, censored or truncated data, finite mixture models, variance component estimation, hyperparameter estimation, iteratively reweighted least squares and factor analysis.