Median bias reduction of maximum likelihood estimates
最大似然估计的中位数偏差校正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：摘要贡献是通用参数估计理论，二元回归示例不足以将其归为离散选择研究。
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
最大似然估计的中位数偏差校正
- 研究问题
- 在正则参数模型中，如何通过简单修改得分方程实现最大似然估计的中位数居中，同时保持相应的重参数化等变性？
- 方法与思路
- 作者修改得分方程，对标量参数获得三阶中位数无偏及相应等变性，对向量参数获得逐分量三阶中位数居中和等变性。
- 材料陈述的贡献
- 摘要称，该方法可避免无限估计；连续与离散模型模拟支持逐分量中位数居中及边界问题处理，同时保持与主要比较方法相近的离散程度。
- 阅读关注点
- 应核对三阶中位数性质的渐近含义、允许的重参数化范围，以及无限估计防止机制、得分方程求解和有限样本比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体正则条件与修正公式未提供，不能将中位数校正等同于均值偏差或均方误差改善。
原文摘要
For regular parametric problems, we show how median centring of the maximum likelihood estimate can be achieved by a simple modification of the score equation. For a scalar parameter of interest, the estimator is equivariant under interest-respecting reparameterizations and is third-order median unbiased. With a vector parameter of interest, componentwise equivariance and third-order median centring are obtained. Like the implicit method of Firth (1993) for bias reduction, the new method does not require finiteness of the maximum likelihood estimate and is effective in preventing infinite estimates. Simulation results for continuous and discrete models, including binary and beta regression, confirm that the method succeeds in achieving componentwise median centring and in solving the boundary estimate problem, while keeping comparable dispersion and the same approximate distribution as its main competitors.