The Profile Sampler
剖面似然采样器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：摘要讨论通用半参数推断与采样计算，未明确对应任何所列经济计量领域细分。
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…
剖面似然采样器
- 研究问题
- 在含干扰参数的半参数模型中，能否通过剖面似然后验采样，对目标参数开展频率学推断并估计有效信息而减少数值负担？
- 方法与思路
- 作者从剖面似然构造的后验进行 MCMC 采样，分析目标参数的近似与信息估计，并在特定数据依赖先验下给出贝叶斯解释。
- 材料陈述的贡献
- 摘要称，该程序提供一阶正确的最大似然估计近似和一致的有效信息估计，无需计算导数，并以理论例子、模拟和数据分析展示。
- 阅读关注点
- 应核对剖面构造、干扰参数估计要求、一阶正确性的含义、数据依赖先验，以及采样计算与传统推断的成本比较。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要解读；干扰参数相关句子遗漏了所指收敛速率，需查原PDF，不能补为通常的参数速率。
原文摘要
We consider frequentist inference for the parametric component θ separately from the nuisance parameter η in semiparametric models based on sampling from the posterior of the profile likelihood. We prove that this procedure gives a first-order–correct approximation to the maximum likelihood estimator and consistent estimation of the efficient Fisher information for θ, without computing derivatives or using complicated numerical approximations. An exact Bayesian interpretation is established under a certain data-dependent prior. The sampler is useful in particular when the nuisance parameter is not estimable at the rate, where neither bootstrap validity nor general automatic variance estimation has been theoretically justified. Even when the nuisance parameter is consistent and the bootstrap is known to be valid, the proposed Markov chain Monte Carlo procedure can yield computational savings, because maximization of the likelihood is not required. The theory is verified for three examples. The methods are shown to perform well in simulations, and their practical utility is illustrated in two data analyses.