Likelihood analysis for errors-in-variables regression with replicate measurements
具有重复测量的变量测量误差回归似然分析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：摘要研究通用回归的测量误差与似然计算，未明确涉及所列因果、面板或结构估计方向。
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
具有重复测量的变量测量误差回归似然分析
- 研究问题
- 当解释变量含测量误差且存在重复测量时，如何利用可充分建模的分布信息进行回归估计，并改善相关统计推断？
- 方法与思路
- 作者主张对测量误差回归开展似然分析，并介绍以EM算法处理解释变量、重复测量均为正态的正态线性回归。
- 材料陈述的贡献
- 摘要称在相关分布能够充分建模时，最大似然估计可比矩方法更有效率，似然比推断也可能优于估计量渐近正态近似。
- 阅读关注点
- 核对重复测量如何帮助区分潜在解释变量与测量误差、正态模型的完整设定，以及EM实现和效率比较成立的条件。
- 阅读边界
- 索引摘要版本未注明，未给出完整误差结构或比较数值；所述优势依赖分布建模，不能据此推广至任意测量误差模型。
原文摘要
This paper advocates likelihood analysis for regression models with measurement errors in explanatory variables, for data problems in which the relevant distributions can be adequately modelled. Although computationally difficult, maximum likelihood estimates are more efficient than those based on first and second moment assumptions, and likelihood ratio inferences can be substantially better than those based on asymptotic normality of estimates. The EM algorithm is presented as a straightforward approach for likelihood analysis of normal linear regression with normal explanatory variables, and normal replicate measurements.