Nonparametric Maximum Likelihood Estimation by the Method of Sieves
筛方法下的非参数最大似然估计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：摘要研究一般无限维最大似然与筛估计，未明确指向所列结构估计或分布效应方向。
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
筛方法下的非参数最大似然估计
- 研究问题
- 当无限维参数空间过大、似然最大值无法取得时，如何通过逐步放宽约束恢复最大似然估计，并建立一般一致性结果？
- 方法与思路
- 作者采用 Grenander 的筛方法，先在受约束的参数子空间最大化似然，再随样本量增长放宽约束，并讨论三项应用。
- 材料陈述的贡献
- 摘要称建立筛方法的一般一致性结果，并说明该方法可产生新估计量或为已有技术提供新解释；三项应用内容未在摘要列明。
- 阅读关注点
- 应核对筛空间的构造与扩张速度、极大值存在条件、一致性的拓扑和证明要求，以及三项应用如何验证这些条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；摘要未说明完整一致性条件、三项应用细节或收敛速率，不能认为任意筛空间都有效。
原文摘要
Maximum likelihood estimation often fails when the parameter takes values in an infinite dimensional space. For example, the maximum likelihood method cannot be applied to the completely nonparametric estimation of a density function from an $\operatorname{iid}$ sample; the maximum of the likelihood is not attained by any density. In this example, as in many other examples, the parameter space (positive functions with area one) is too big. But the likelihood method can often be salvaged if we first maximize over a constrained subspace of the parameter space and then relax the constraint as the sample size grows. This is Grenander's "method of sieves." Application of the method sometimes leads to new estimators for familiar problems, or to a new motivation for an already well-studied technique. We will establish some general consistency results for the method, and then we will focus on three applications.