Multinomial-Poisson homogeneous models for contingency tables
列联表的多项分布—泊松齐次模型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：摘要核心是列联表的一般似然与等价理论，期刊引用示例未明确涉及网络效应或干扰。
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
列联表的多项分布—泊松齐次模型
- 研究问题
- 如何统一一类由独立抽样方案和齐次约束定义的列联表模型，并区分模型可检验性与参数可估计性？
- 方法与思路
- 作者建立多项分布—泊松齐次模型的最大似然拟合和大样本推断，将模型划分为等价类并比较等价模型的估计行为。
- 材料陈述的贡献
- 摘要称等价理论统一并推广既有结果，允许由方便的等价模型取得拟合结果，并展示模型可检验而参数不可估的例子。
- 阅读关注点
- 应核对齐次约束与等价类的定义、拟合结果转换的规则，以及可检验性和可估计性分别需要满足的条件。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；摘要未给出约束和等价判据，引用模式示例也不足以支持网络计量分类。
原文摘要
A unified approach to maximum likelihood inference for a broad, new class of contingency table models is presented. The model class comprises multinomial-Poisson homogeneous (MPH) models, which can be characterized by an independent sampling plan and a system of homogeneous constraints, h(m) = 0, where m is the vector of expected table counts. Maximum likelihood (ML) fitting and large-sample inference for MPH models are described. The MPH models are partitioned into well-defined equivalence classes and explicit comparisons of the large-sample behaviors of ML estimators of equivalent models are given. The equivalence theory not only unifies a large collection of previously known results, it also leads to useful generalizations and many new results. The practical, computational implication is that ML fit results for any particular MPH model can be obtained directly from the ML fit results for any conveniently chosen equivalent model. Issues of hypothesis testability and parameter estimability are also addressed. To illustrate, an example based on statistics journal citation patterns is given for which the data can be used to test the hypothesis that a certain model holds, but they cannot be used to estimate any of that model's parameters.