Consistent maximum likelihood estimation using subsets with applications to multivariate mixed models
利用数据子集证明最大似然估计一致性及其在多元混合模型中的应用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：摘要涉及一般多元混合模型与似然一致性，混合响应类型不足以归入离散选择，面板结构也未明确。
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
利用数据子集证明最大似然估计一致性及其在多元混合模型中的应用
- 研究问题
- 当观测既不要求独立、也不要求构成平稳随机过程时，如何利用数据子集证明全样本最大似然估计的一致性？
- 方法与思路
- 作者通过全数据的子集建立全样本估计一致性理论，并应用于两个含非随机预测变量、响应可能混合离散与连续类型的模型。
- 材料陈述的贡献
- 摘要称，新理论显著弱化已有子集方法的假设，并证明两个此前最大似然一致性尚不明确的多元混合模型中的相应结果。
- 阅读关注点
- 应核对子集如何选择并控制全样本似然、弱化了哪些假设，以及两个应用模型的依赖结构、识别与渐近设定。
- 阅读边界
- OpenAlex 摘要未注明稿件版本；具体一致性条件和混合模型结构未提供，不能理解为允许任意依赖或推断刊本变化。
原文摘要
We present new results for consistency of maximum likelihood estimators with a focus on multivariate mixed models. Our theory builds on the idea of using subsets of the full data to establish consistency of estimators based on the full data. It requires neither that the data consist of independent observations, nor that the observations can be modeled as a stationary stochastic process. Compared to existing asymptotic theory using the idea of subsets, we substantially weaken the assumptions, bringing them closer to what suffices in classical settings. We apply our theory in two multivariate mixed models for which it was unknown whether maximum likelihood estimators are consistent. The models we consider have nonstochastic predictors and multivariate responses which are possibly mixed-type (some discrete and some continuous).