Adjusted empirical likelihood with high-order precision
具有高阶精度的调整经验似然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：摘要研究通用经验似然与估计方程推断，未指定所列经济计量细分领域。
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
具有高阶精度的调整经验似然
- 研究问题
- 样本较小或估计函数维度较高时，如何同时缓解经验似然卡方近似精度不足，以及估计方程可能无解的问题？
- 方法与思路
- 作者研究调整经验似然，选择特定调整水平，在保证估计方程有解的同时，获得与 Bartlett 校正相应的高阶精度。
- 材料陈述的贡献
- 摘要称，该方法兼顾解的存在性与高阶精度；模拟中的置信域覆盖率与 Bartlett 校正经验似然相当或明显更准确。
- 阅读关注点
- 应核对调整水平的具体构造、解存在和高阶展开的条件，以及模拟中的样本量、估计函数维度与覆盖率比较。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出精度阶数及维度增长条件，模拟表现不能据此推广到任意高维问题。
原文摘要
Empirical likelihood is a popular nonparametric or semi-parametric statistical method with many nice statistical properties. Yet when the sample size is small, or the dimension of the accompanying estimating function is high, the application of the empirical likelihood method can be hindered by low precision of the chi-square approximation and by nonexistence of solutions to the estimating equations. In this paper, we show that the adjusted empirical likelihood is effective at addressing both problems. With a specific level of adjustment, the adjusted empirical likelihood achieves the high-order precision of the Bartlett correction, in addition to the advantage of a guaranteed solution to the estimating equations. Simulation results indicate that the confidence regions constructed by the adjusted empirical likelihood have coverage probabilities comparable to or substantially more accurate than the original empirical likelihood enhanced by the Bartlett correction.