Log-Linear Models for Doubly Sampled Categorical Data Fitted by the EM Algorithm
用 EM 算法拟合双重抽样分类数据的对数线性模型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：摘要研究分类调查数据的对数线性模型，没有明确的离散选择行为设定或其他所列方向。
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
用 EM 算法拟合双重抽样分类数据的对数线性模型
- 研究问题
- 双重抽样实验产生的分类数据如何表示并分析，怎样在不完全多维列联表中估计对数线性模型及其参数函数的不确定性？
- 方法与思路
- 作者把双重抽样实验表述为不完全多维列联表，使用适合对数线性模型的拟合技术，并通过 EM 算法进行最大似然估计。
- 材料陈述的贡献
- 摘要称该框架适用于任意数量的因素和测量装置，并可从 EM 最大似然估计得到参数及参数函数协方差的简明表达式。
- 阅读关注点
- 应核对双重抽样与表中缺失单元的对应关系、模型可识别性，以及协方差计算如何利用观测信息而非仅完整数据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；抽样机制、模型限制和协方差公式未说明，因素数量上的一般性不保证任意模型均可识别或计算稳定。
原文摘要
Double-sampling experiments can be expressed as incomplete multiway contingency tables and analyzed by using techniques appropriate for fitting log-linear models. The framework described can be applied to experiments with any number of factors and measurement devices. Maximum likelihood estimation via the EM algorithm leads to straightforward expressions for covariances of estimates of the parameters and functions of the parameters.