Finding the Observed Information Matrix When Using the EM Algorithm
使用 EM 算法时的观测信息矩阵计算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：摘要讨论通用的不完全数据似然计算与 EM 算法，未限定所列经济计量细分应用。
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
使用 EM 算法时的观测信息矩阵计算
- 研究问题
- 在不完全数据问题中，使用 EM 算法求最大似然估计后，如何获得观测信息矩阵，并改善算法的收敛速度？
- 方法与思路
- 作者推导从 EM 计算中提取观测信息矩阵的程序，使用完全数据的梯度或二阶导数，而无需对应的不完全数据似然导数。
- 材料陈述的贡献
- 摘要称，论文提供观测信息矩阵的计算程序，并另外提出一种有助于加快 EM 收敛的方法，以两个例子说明。
- 阅读关注点
- 应核对信息矩阵表达式及其计算条件、完全数据导数所需的条件期望，以及加速方法的更新规则与收敛要求。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未展示矩阵公式、加速机制或比较结果，不能据此判断具体模型中的计算收益。
原文摘要
Summary A procedure is derived for extracting the observed information matrix when the EM algorithm is used to find maximum likelihood estimates in incomplete data problems. The technique requires computation of a complete-data gradient vector or second derivative matrix, but not those associated with the incomplete data likelihood. In addition, a method useful in speeding up the convergence of the EM algorithm is developed. Two examples are presented.