Simple and accurate one-sided inference based on a class of M-estimators
基于一类 M 估计量的简便精确单侧推断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：摘要聚焦一般 M 估计的高阶单侧推断，未提供与所列经济计量细分领域直接对应的证据。
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
基于一类 M 估计量的简便精确单侧推断
- 研究问题
- 存在干扰参数时，如何为标量参数计算准确的单侧 p 值或置信限，并减少高阶解析近似通常需要的复杂计算？
- 方法与思路
- 作者从特定 M 估计目标函数构造类似有符号似然比平方根的统计量，要求其方差到二阶为常数，并利用蒙特卡洛计算。
- 材料陈述的贡献
- 摘要称该方法扩展调整似然估计的单侧推断，以模拟避免繁重解析计算；适用类包含极大似然及部分常用位置 M 估计变体。
- 阅读关注点
- 应核对二阶常方差条件、统计量构造和干扰参数处理，明确准确性的理论含义，并查看模拟误差及适用估计量的范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；准确性的误差阶、模拟方案及正则条件未详述，结论不能推广到所有 M 估计量。
原文摘要
This paper presents a simple method of calculating one-sided p-values which yield accurate inferences for a simple null hypothesis or, equivalently, accurate one-sided confidence limits regarding a scalar parameter in the presence of nuisance parameters. The method, which extends the work of DiCiccio et al. (2001) and Lee & Young (2005) in the context of adjusted likelihood estimation, is based on a test statistic analogous to the signed root of the loglikelihood, but derived from the objective function of an M-estimator from a certain class. Monte Carlo simulation is used to avoid the need for onerous analytical calculations typical of competing procedures based on Edgeworth or saddle-point approximations. The specific class of M-estimators under consideration is characterised by the requirement that the associated test statistic has constant variance to second order. This class contains, among others, the maximum likelihood estimator as well as variants of commonly used M-estimators of location, such as Huber's (1964) Proposal 2.