A Second-Order Investigation of Asymptotic Ancillarity
渐近辅助性的二阶研究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：摘要讨论似然推断、辅助性与高阶渐近理论，没有指向所列领域细分中的特定应用。
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
渐近辅助性的二阶研究
- 研究问题
- 在多元独立同分布模型中，对似然曲率相关统计量作条件化，能否恢复仅保留最大似然估计时损失的信息并改善条件推断？
- 方法与思路
- 作者对给定标准化似然二阶导数的最大似然估计推导二阶Edgeworth展开，并分析条件检验分布及观测信息的性质。
- 材料陈述的贡献
- 摘要称，条件化可恢复相关Fisher信息损失，推广已有条件展开，并证明似然比检验的一个猜想及观测信息的特定比较优势。
- 阅读关注点
- 应核对正则条件、条件化统计量的辅助性程度、信息恢复的具体阶数，以及观测信息优于期望信息的评价标准。
- 阅读边界
- 摘要未列出展开式与比较标准，不能据此认定观测信息在所有问题中更优。材料为版本未注明的OpenAlex索引摘要。
原文摘要
The paper deals with approximate ancillarity as discussed by Efron and Hinkley (1978). In the multivariate i.i.d. case we derive the second-order Edgeworth expansion of the MLE given a normalized version of the second derivative of the log-likelihood at its maximum. The expansion agrees with the one derived by Amari (1982a) for curved exponential families, but holds for any family satisfying the regularity conditions given in the paper. It is shown that the Fisher information lost by reducing the data to the MLE is recovered by the conditioning, and it is sketched how the loss of information relates to the deficiency as defined by LeCam. Finally, we investigate some properties of three test statistics, proving a conjecture by Efron and Hinkley (1978) concerning the conditional null-distribution of the likelihood ratio test statistic, and establishing a kind of superiority of the observed Fisher information over the expected one as estimate of the inverse variance of the MLE.