Conditioning to reduce the sensitivity of general estimating functions to nuisance parameters
通过条件化降低一般估计函数对干扰参数的敏感性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：摘要讨论一般估计函数与干扰参数处理，未明确连接所列领域中的具体模型或目标。
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
通过条件化降低一般估计函数对干扰参数的敏感性
- 研究问题
- 研究在无需完整指定概率模型时，如何通过条件化使一般估计函数对干扰参数不敏感并获得相关最优性质。
- 方法与思路
- 作者推广条件得分思路，定义G充分与G辅助统计量，并对干扰参数的G充分统计量进行条件化。
- 材料陈述的贡献
- 摘要称该条件估计函数具有代入无偏性；若条件统计量还对目标参数具有G辅助性，则获得一种最优性质。
- 阅读关注点
- 应核对两类统计量的正式定义、条件估计函数的构造，以及代入无偏性和所述最优性各自的条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明最优性的比较范围与实际构造难度，不能推断一般效率提升。
原文摘要
A conditional method is presented that renders an estimating function insensitive to nuisance parameters. The approach is a generalisation of the conditional score method to a general estimating function context and does not require complete specification of the probability model. We exploit the informal relationship between general estimating functions and score functions to derive simple generalisations of sufficient and partially ancillary statistics, referred to as G‐sufficient and G‐ancillary statistics, respectively. These two types of statistic are defined in a manner that does not require complete knowledge of the probability model and thus are more suitable for use with estimating functions. If we condition on a G‐sufficient statistic for the nuisance parameters, the resulting conditional estimating function is insensitive to nuisance parameters and in particular achieves the plug‐in unbiasedness property. Furthermore, if the conditioning argument is also G‐ancillary for the parameters of interest, then the conditional estimating function possesses an attractive optimality property.