Bias reduction of maximum likelihood estimates
最大似然估计的偏差缩减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：摘要研究通用参数估计的偏差修正，未提供足以归入所列应用细分领域的证据。
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
最大似然估计的偏差缩减
- 研究问题
- 在正则参数模型中，如何消除最大似然估计渐近偏差的一阶项，并将这种修正落实到常见回归模型的计算中？
- 方法与思路
- 作者提出修正得分函数；在采用典范参数化的指数族中，修正对应 Jeffreys 不变先验惩罚，并可通过迭代调整数据实现。
- 材料陈述的贡献
- 摘要称，该方法消除了最大似然估计渐近偏差的一阶项，并为若干广义线性模型提供了利用标准回归软件实施的方案。
- 阅读关注点
- 应核对正则性条件、偏差展开的阶数、得分修正与惩罚似然的对应关系，以及迭代数据调整适用的模型和收敛要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一阶渐近偏差消除不代表有限样本无偏，具体条件和计算表现未说明。
原文摘要
It is shown how, in regular parametric problems, the first-order term is removed from the asymptotic bias of maximum likelihood estimates by a suitable modification of the score function. In exponential families with canonical parameterization the effect is to penalize the likelihood by the Jeffreys invariant prior. In binomial logistic models, Poisson log linear models and certain other generalized linear models, the Jeffreys prior penalty function can be imposed in standard regression software using a scheme of iterative adjustments to the data.