A Neyman-Orthogonalization Approach to the Incidental Parameter Problem in Likelihood Models
似然模型中附带参数问题的 Neyman 正交化方法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：摘要明确提到面板与网络数据中的固定效应，并以固定效应团队生产模型作经验示例，故对应面板数据与网络干扰两个细分方向。
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…
似然模型中附带参数问题的 Neyman 正交化方法
- 研究问题
- 摘要关注在存在冗余参数（nuisance parameters）时对目标参数做推断的问题，尤其是面板与网络数据中固定效应导致冗余参数估计极不精确、一阶正交化不足的情形。
- 方法与思路
- 作者提出在条件似然框架下构造估计方程，使其对任意选定阶数 q 正交，即前 q 阶期望导数为零，从而得到不受冗余参数影响至 q 阶的目标参数估计量；并以团队生产的固定效应模型做经验示例。
- 材料陈述的贡献
- 摘要称该方法将 Neyman 正交化从一阶推广到任意阶 q，使目标参数估计在 q 阶内不受冗余参数存在的影响，并给出一个固定效应团队生产模型的经验应用。
- 阅读关注点
- 应核对正交性定义与 q 阶条件的具体推导、所需正则条件与识别假设、估计量的渐近性质与 q 的选取方式，以及经验示例的数据来源与实现细节。
- 阅读边界
- 仅凭摘要无法判断定理成立条件、有限样本表现、与既有方法的比较结果；且这是 arXiv 预印本摘要，不能据此声称已经同行评审或期刊接收。
原文摘要
A popular approach to perform inference on a target parameter in the presence of nuisance parameters is to construct estimating equations that are orthogonal to the nuisance parameters, in the sense that their expected first derivative is zero. Such first-order orthogonalization allows the estimator of the nuisance parameters to converge at a slower-than-parametric rate. It may, however, not suffice when the nuisance parameters are very imprecisely estimated. Leading examples are models for panel and network data that feature fixed effects. In this paper, we show how, in the conditional-likelihood setting, estimating equations can be constructed that are orthogonal to any chosen order q, in that their leading q expected derivatives are zero. This yields estimators of target parameters that are unaffected by the presence of nuisance parameters to order q. In an empirical illustration, we apply our method to a fixed-effect model of team production.