On methods of sieves and penalization
论筛法与惩罚法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：摘要讨论跨模型的似然估计与泛函效率理论，未提供对应所列微观、宏观或金融细分的直接证据。
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
论筛法与惩罚法
- 研究问题
- 在参数、半参数与非参数模型中，极大似然代入估计的渐近正态性和效率，如何取决于目标泛函的光滑性与参数空间的局部大小？
- 方法与思路
- 作者建立统一渐近理论，将泛函光滑性、参数空间局部大小和估计收敛速度联系起来，并在似然的随机等度连续条件下比较三类代入估计。
- 材料陈述的贡献
- 摘要称，局部空间较小时三类方法可达到 Fisher 效率；空间很大时常规与惩罚似然可能低效，而筛法可能克服这一困难。
- 阅读关注点
- 应核对局部空间大小与泛函光滑性的精确定义、随机等度连续条件，以及慢收敛速度如何由更高光滑性补偿。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。具体模型条件、效率界与证明未提供，不能把筛法可能有效理解为普遍优于其他方法。
原文摘要
We develop a general theory which provides a unified treatment for the asymptotic normality and efficiency of the maximum likelihood estimates (MLE's) in parametric, semiparametric and nonparametric models. We find that the asymptotic behavior of substitution estimates for estimating smooth functionals are essentially governed by two indices: the degree of smoothness of the functional and the local size of the underlying parameter space. We show that when the local size of the parameter space is not very large, the substitution standard (nonsieve), substitution sieve and substitution penalized MLE's are asymptotically efficient in the Fisher sense, under certain stochastic equicontinuity conditions of the log-likelihood. Moreover, when the convergence rate of the estimate is slow, the degree of smoothness of the functional needs to compensate for the slowness of the rate in order to achieve efficiency. When the size of the parameter space is very large, the standard and penalized maximum likelihood procedures may be inefficient, whereas the method of sieves may be able to overcome this difficulty. This phenomenon is particularly manifested when the functional of interest is very smooth, especially in the semiparametric case.