One-step Local Quasi-likelihood Estimation
一步局部拟似然估计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：摘要研究一般非参数局部拟似然与计算方法，未明确对应所列经济计量细分方向。
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
一步局部拟似然估计
- 研究问题
- 如何降低局部拟似然在回拟合、交叉验证和自助法中反复迭代的计算负担，并在初始估计足够好时保留其渐近表现？
- 方法与思路
- 作者提出一步局部拟似然估计，研究其与完整局部拟似然方法的渐近关系，并基于渐近前代入方法构造数据驱动的带宽选择器。
- 材料陈述的贡献
- 摘要称，足够好的初始估计下两种方法渐近行为相同；模拟报告一步方法在多种带宽下表现良好，并展示数据驱动带宽的效果。
- 阅读关注点
- 应核对初始估计需要达到的精度、一步更新的具体实现、带宽选择规则，以及模拟中的计算成本与统计误差如何比较。
- 阅读边界
- 仅据所给 Crossref 摘要；初始估计条件、计算节省幅度和模拟数值未说明，所述比较不能推广为所有模型与样本下的优势。
原文摘要
Summary Local quasi-likelihood estimation is a useful extension of local least squares methods, but its computational cost and algorithmic convergence problems make the procedure less appealing, particularly when it is iteratively used in methods such as the back-fitting algorithm, cross-validation and bootstrapping. A one-step local quasi-likelihood estimator is introduced to overcome the computational drawbacks of the local quasi-likelihood method. We demonstrate that as long as the initial estimators are reasonably good, the one-step estimator has the same asymptotic behaviour as the local quasi-likelihood method. Our simulation shows that the one-step estimator performs at least as well as the local quasi-likelihood method for a wide range of choices of bandwidths. A data-driven bandwidth selector is proposed for the one-step estimator based on the pre-asymptotic substitution method of Fan and Gijbels. It is then demonstrated that the data-driven one-step local quasi-likelihood estimator performs as well as the maximum local quasi-likelihood estimator by using the ideal optimal bandwidth.