A note on pseudolikelihood constructed from marginal densities
关于由边际密度构造伪似然的说明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：摘要聚焦一般高维依赖与伪似然理论，未提供面板、时间序列或经济网络等领域的明确依据。
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…
关于由边际密度构造伪似然的说明
- 研究问题
- 面对高维依赖分布，尤其只有一个高维观测向量时，基于一元或二元边际分布的近似似然何时能得到一致估计？
- 方法与思路
- 作者考察由低维边际分布构成的近似似然，概述相应最大化估计量的渐近性质，并分析仅使用成对联合分布的情形。
- 材料陈述的贡献
- 摘要称研究了单个高维向量观测下的估计问题，并讨论成对近似似然产生参数一致估计所需的条件及具体例子。
- 阅读关注点
- 应核对单向量情形的渐近序列、依赖结构限制、边际信息能否识别参数，以及一致性条件如何在例子中满足。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；具体一致性条件与例子未给出，不能认为成对伪似然普遍有效。
原文摘要
For likelihood‐based inference involving distributions in which high‐dimensional dependencies are present it may be useful to use approximate likelihoods based, for example, on the univariate or bivariate marginal distributions. The asymptotic properties of formal maximum likelihood estimators in such cases are outlined. In particular, applications in which only a single q×1 vector of observations is observed are examined. Conditions under which consistent estimators of parameters result from the approximate likelihood using only pairwise joint distributions are studied. Some examples are analysed in detail.