The information matrix test for Gaussian mixtures
高斯混合模型的信息矩阵检验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：摘要主要研究通用混合模型设定检验；收入分布应用未涉及分位数或分布效应，给定细分的直接证据不足。
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…
高斯混合模型的信息矩阵检验
- 研究问题
- 有限高斯混合模型的成分归属不可观测时，如何构造信息矩阵检验，并在考虑参数估计误差后获得可靠的检验表现？
- 方法与思路
- 作者利用 EM 原理，将已知潜在成分时的待检验矩替换为给定数据的条件期望，并推导调整估计误差后的渐近协方差。
- 材料陈述的贡献
- 摘要称，解析协方差配合参数自助法在模拟中具有可靠尺寸和良好功效，并应用于跨国收入及收入与碳排放的联合分布。
- 阅读关注点
- 应核对待检验矩的形式、混合模型识别及常规性条件、协方差调整方法，以及参数自助法面对不同备择的表现。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，未核对全文或其他版本；成分数、模拟设置及功效数值未说明，不能推定所有混合模型均适用。
原文摘要
We obtain the Information Matrix test for finite Gaussian mixtures exploiting the EM principle, which implies the moments tested are the expectation given the data of the moments one would assess if one knew the latent component each observation belongs to. Simulations indicate analytical expressions for the asymptotic covariance matrix of those moments adjusted for sampling variability in parameter estimators provide reliable finite sample sizes and good power against various alternatives, especially combined with the parametric bootstrap. We apply the test to the univariate distribution of per capita income across countries and its joint distribution with per capita CO2 emissions.