Empirical likelihood on the full parameter space
完整参数空间上的经验似然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：摘要提出通用经验似然扩展与精度分析，未限定所列领域中的特定模型、数据结构或经济问题，故不作细分归类。
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…
完整参数空间上的经验似然
- 研究问题
- 如何将原有经验似然的定义域扩展到完整参数空间，同时保持等高线结构及渐近性质，并改善小样本推断准确性？
- 方法与思路
- 作者按等高线划分原经验似然的定义域，利用连续相似变换映射到完整参数空间，并研究不同阶数的扩展形式。
- 材料陈述的贡献
- 摘要称，扩展方法保持原有渐近性质和等高线形状，可达到 Bartlett 校正的二阶精度，并报告一阶形式的小样本优势。
- 阅读关注点
- 应核对变换的定义与可逆性、二阶精度所需条件，以及摘要所称小样本优势对应的模型、比较方法和评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；准确性优势是摘要陈述，不能据此保证任意分布、维度和样本量下的表现。
原文摘要
We extend the empirical likelihood of Owen [Ann. Statist. 18 (1990) 90–120] by partitioning its domain into the collection of its contours and mapping the contours through a continuous sequence of similarity transformations onto the full parameter space. The resulting extended empirical likelihood is a natural generalization of the original empirical likelihood to the full parameter space; it has the same asymptotic properties and identically shaped contours as the original empirical likelihood. It can also attain the second order accuracy of the Bartlett corrected empirical likelihood of DiCiccio, Hall and Romano [Ann. Statist. 19 (1991) 1053–1061]. A simple first order extended empirical likelihood is found to be substantially more accurate than the original empirical likelihood. It is also more accurate than available second order empirical likelihood methods in most small sample situations and competitive in accuracy in large sample situations. Importantly, in many one-dimensional applications this first order extended empirical likelihood is accurate for sample sizes as small as ten, making it a practical and reliable choice for small sample empirical likelihood inference.