The asymptotic efficiency of conditional likelihood methods
条件似然方法的渐近效率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：摘要讨论含干扰参数的一般条件似然理论，未明确提供面板或离散选择模型应用。
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
条件似然方法的渐近效率
- 研究问题
- 含干扰参数的模型中，条件似然估计和条件得分检验何时能与无条件方法渐近等价，从而保持渐近效率？
- 方法与思路
- 作者引入“渐近弱辅助性”，以条件化统计量具备该性质为关键要求，并在指数族情形中核验这一要求。
- 材料陈述的贡献
- 摘要称在该条件成立时，条件最大似然估计和条件得分检验与无条件对应方法渐近等价，并因而具有渐近效率。
- 阅读关注点
- 应核对渐近弱辅助性的定义、其他正则条件、无条件比较对象，以及指数族论证具体覆盖哪些条件化统计量。
- 阅读边界
- 仅据版本未注明的索引摘要；不能推断任意条件化均保持效率，也不能断言所有指数族统计量满足关键条件。
原文摘要
SUMMARY This paper concerns the efficiency of the conditional likelihood method for inference in models which include nuisance parameters. A new concept of ancillarity, asymptotic weak ancillarity, is introduced. It is shown that the conditional maximum likelihood estimator and the conditional score test of 0, the parameter of interest, are asymptotically equivalent to their unconditional counterparts, and hence are asymptotically efficient, provided that the conditioning statistic is asymptotically weakly ancillary. The key assumption that the conditioning statistic is asymptotically weakly ancillary is verified when the underlying distribution is from exponential families. Some illustrative examples are given.