Maximum likelihood estimation and large-sample inference for generalized linear and nonlinear regression models
广义线性与非线性回归模型的极大似然估计及大样本推断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：摘要研究一般回归模型扩展，相关观测本身不足以确认面板数据或时间序列细分方向。
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
广义线性与非线性回归模型的极大似然估计及大样本推断
- 研究问题
- 如何扩展广义线性模型以容纳相关观测、非线性结构和非指数族误差，并为扩展模型建立似然估计与大样本推断？
- 方法与思路
- 作者扩展模型类和偏差分析，讨论极大似然估计与大样本推断，并研究 Fisher 评分法、相关算法及其与 Gauss–Newton 法的联系。
- 材料陈述的贡献
- 摘要称，扩展模型类包含多种重要例子，尤其是复合变换类型，同时将偏差分析与似然计算讨论推广到该模型类。
- 阅读关注点
- 应核对相关观测和非指数族分布的具体处理、渐近推断的条件，以及评分算法和 Gauss–Newton 法之间的关系。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，未提供完整正则条件或算法收敛保证；允许相关观测也不能直接推出适用于任意面板或时间序列。
原文摘要
The class of generalized linear models is extended to allow for correlated observations, nonlinear models and error distributions not of the exponential family form. The extended class of models include a number of important examples, particularly of the composite transformational type. Large-sample inference and maximum likelihood estimation for the extended class of generalized linear models are discussed, and the analysis of deviance is generalized to the extended class of models. Calculation of the maximum likelihood estimate for a general likelihood by Fisher's scoring method and a related method is considered, and the relation with the Gauss–Newton method is discussed.