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：摘要讨论似然证据与稳健性的通用统计理论，没有所列领域细分的直接依据。
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
- 似然函数依赖统计模型，当它用于表达和解释数据证据时，应如何定义稳健性，以及不同稳健性概念之间有何关系？
- 方法与思路
- 作者从似然表达证据的五种用途出发，讨论一个似然近似另一个似然的不同意义，并据此组织相应稳健性概念。
- 材料陈述的贡献
- 摘要称建立了这些稳健性概念之间的一般关系，并考察两类构造稳健似然的技术，但未说明技术名称或具体形式。
- 阅读关注点
- 应核对五种用途分别对应哪些近似标准、稳健性关系的条件，以及两类构造方法在模型偏离下保留何种证据解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要，无法判断稳健性定义、构造细节与适用范围，也不能将其等同于估计量抗异常值能力。
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.