Bias reduction in exponential family nonlinear models
指数族非线性模型中的偏差缩减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：摘要研究通用似然估计的偏差缩减，未提供与所列应用领域细分直接相关的证据。
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
指数族非线性模型中的偏差缩减
- 研究问题
- 如何将通过调整得分消除最大似然估计首阶渐近偏差的方法，推广到更广泛的单变量和多变量非线性模型？
- 方法与思路
- 作者构造更一般的偏差缩减得分调整，讨论迭代数据调整的实现，并研究其具有惩罚似然解释的条件。
- 材料陈述的贡献
- 摘要称给出便于计算的调整公式，以及广义线性模型中惩罚似然解释存在的充要条件，并展示行列关联模型应用。
- 阅读关注点
- 应核对消除的是哪一阶偏差、得分调整是否可积分为惩罚似然，以及非线性和多变量模型中的计算与统计表现。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；调整公式及充要条件未列出，偏差缩减不能直接等同于均方误差或覆盖率改善。
原文摘要
In Firth (1993, Biometrika) it was shown how the leading term in the asymptotic bias of the maximum likelihood estimator is removed by adjusting the score vector, and that in canonical-link generalized linear models the method is equivalent to maximizing a penalized likelihood that is easily implemented via iterative adjustment of the data. Here a more general family of bias-reducing adjustments is developed for a broad class of univariate and multivariate generalized nonlinear models. The resulting formulae for the adjusted score vector are computationally convenient, and in univariate models they directly suggest implementation through an iterative scheme of data adjustment. For generalized linear models a necessary and sufficient condition is given for the existence of a penalized likelihood interpretation of the method. An illustrative application to the Goodman row-column association model shows how the computational simplicity and statistical benefits of bias reduction extend beyond generalized linear models.