Likelihood and Observed Geometries
似然与观测几何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：摘要讨论一般参数统计的几何与高阶展开，未提供所列领域细分的明确文本依据。
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
似然与观测几何
- 研究问题
- 研究能否以观测信息及观测偏度构建统计几何，并解释其在最大似然估计量条件分布高阶展开中的作用。
- 方法与思路
- 作者从条件性观点建立与期望几何平行的观测几何，使用辅助统计量定义混合导数并进行三阶渐近展开。
- 材料陈述的贡献
- 摘要称观测几何在所述条件分布展开中，具有类似期望几何在估计量Edgeworth展开中的作用。
- 阅读关注点
- 应核对观测偏度、联络和辅助统计量的定义，以及条件分布展开的具体对象、阶数和所需正则条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；所给公式的排版记号不清，需查阅原PDF，不据此重构公式或推导结论。
原文摘要
In the differential geometric approach to parametric statistics, developed by Chentsov, Efron, Amari, and others, the parameter space is set up as a differentiable manifold with expected information as metric tensor and with a family of affine connections, the a-connections, determined from the expected information and the skewness tensor of the score vector. The usefulness of this approach is particularly notable in connection with Edgeworth expansions of estimators. Motivated by the conditionality viewpoint, an "observed" parallel to that theory is established in the present paper using obseved information and an "observed skewness" tensor instead of the above expected quantities. The formula $c\|\overset{hat}{j}\|^{1/2}\overset{-}{L}$ for the conditional distribution of the maximum likelihood estimator is expanded (to third order) asymptotically and the "observed geometries" are shown to have a role in this type of expansion similar to that of the "expected geometries" in the Edgeworth expansions mentioned above. In these new developments "mixed derivatives of the log model function," defined by means of an auxiliary statistic complementing the maximum likelihood estimator, take the place of moments of derivatives of the log likelihood function.