Maximum likelihood estimation via the ECM algorithm: A general framework
通过 ECM 算法进行最大似然估计：一般框架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：摘要提出通用最大似然计算框架，未限定面板、因子、结构估计或其他指定细分模型。
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 ECM 算法进行最大似然估计：一般框架
- 研究问题
- 当 EM 算法的完整数据最大化步骤过于复杂，但条件最大化较简单时，如何降低计算难度并保留稳定收敛性质？
- 方法与思路
- 作者提出 ECM 广义 EM 算法，将复杂的单一最大化步骤替换为若干更简单的条件最大化步骤，并给出说明性例子。
- 材料陈述的贡献
- 摘要称 ECM 利用完整数据条件最大化的便利性，保留 EM 的似然递增等收敛性质，为复杂最大化问题提供一般框架。
- 阅读关注点
- 应核对条件最大化步骤的安排、收敛性质成立的条件、最终收敛点的含义，以及每轮成本与迭代次数的权衡。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；似然递增不保证达到全局最大值，摘要也未提供计算速度或精度的普遍比较。
原文摘要
Two major reasons for the popularity of the EM algorithm are that its maximum step involves only complete-data maximum likelihood estimation, which is often computationally simple, and that its convergence is stable, with each iteration increasing the likelihood. When the associated complete-data maximum likelihood estimation itself is complicated, EM is less attractive because the M-step is computationally unattractive. In many cases, however, complete-data maximum likelihood estimation is relatively simple when conditional on some function of the parameters being estimated. We introduce a class of generalized EM algorithms, which we call the ECM algorithm, for Expectation/Conditional Maximization (CM), that takes advantage of the simplicity of complete-data conditional maximum likelihood estimation by replacing a complicated M-step of EM with several computationally simpler CM-steps. We show that the ECM algorithm shares all the appealing convergence properties of EM, such as always increasing the likelihood, and present several illustrative examples.