Bootstrapping the Maximum Likelihood Estimator in High-Dimensional Log-Linear Models
高维对数线性模型最大似然估计量的 BootstrapAI 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：高维对数线性模型和列联表不直接等同于离散选择，摘要缺少所列细分的明确依据。
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…
关注这篇论文的作者
高维对数线性模型最大似然估计量的 Bootstrap
- 研究问题
- 对数线性模型的维度随样本规模增长时，能否用 bootstrap 一致估计最大似然估计量的分布并处理稀疏列联表？
- 方法与思路
- 作者针对常见抽样模型定义最大似然估计量分布的 bootstrap 估计，并在允许模型维度趋于无穷的假设下分析一致性。
- 材料陈述的贡献
- 摘要称，该 bootstrap 分布估计在相应高维假设下具有一致性，使这一方法能够用于大型、稀疏列联表。
- 阅读关注点
- 应核对抽样模型、维度增长与稀疏程度的限制、最大似然估计存在条件，以及一致性采用的距离或收敛概念。
- 阅读边界
- OpenAlex 摘要版本未注明，未给出具体增长条件、重抽样算法或有限样本表现，不能据此判断任意稀疏表的适用性。
原文摘要
The notion of a bootstrap estimator of the distribution of the maximum likelihood estimator in log-linear models is defined for common sampling models. It is shown that the bootstrap estimator is consistent under assumptions which allow the dimension of the model to increase to infinity. Such an approach allows treatment of large, sparse contingency tables.