Robust Likelihoods
稳健似然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：摘要是关于似然与稳健性的通用统计理论，没有与所列计量经济学细分领域直接对应的文本依据。
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
稳健似然
- 研究问题
- 似然函数明确依赖统计模型时，如何定义其作为数据证据载体的稳健性，并区分不同解释用途下的近似要求？
- 方法与思路
- 作者区分似然表示与解释证据的五种用途，据此讨论似然之间的近似与稳健性概念，并考察两类构造技术。
- 材料陈述的贡献
- 摘要称，建立不同似然稳健性概念之间的一般关系，并研究两种产生稳健似然的方法，澄清模型依赖与证据解释的联系。
- 阅读关注点
- 核对五种用途及各自的近似定义、稳健性关系成立的条件，以及两类构造技术在何种模型偏离下仍能解释证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列出五种定义和两种技术，无法判断具体稳健保证或实际表现。
原文摘要
Strong theoretical arguments imply that for directly representing and interpreting statistical data as evidence, the proper vehicle is the likelihood function. These arguments have had limited impact on statistical practice. One reason for this is that likelihood functions are explicitly model dependent and thus appear to be inherently nonrobust. In this article we examine the concept of robustness as it relates to likelihood functions. We note five ways that likelihood functions can be used to represent and interpret statistical data as evidence. These various uses suggest corresponding senses in which one likelihood function can approximate another, and these in turn suggest different senses in which a likelihood function can be “robust.” We establish some general relationships among these senses of robustness, and examine two general techniques for producing robust likelihoods.