Maximum likelihood estimation in linear learning models
线性学习模型中的最大似然估计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：摘要以生物研究中的学习模型估计为主题，缺乏经济离散选择或结构估计的明确依据。
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
线性学习模型中的最大似然估计
- 研究问题
- 对于以少量附加参数扩展 Markov 模型的线性学习模型，如何计算未知参数的最大似然估计并支持生物研究应用？
- 方法与思路
- 作者提出计算最大似然估计的迭代程序，提供数值实例，并将线性学习模型与 Markov 模型进行比较。
- 材料陈述的贡献
- 摘要所述贡献是提供线性学习模型的迭代估计方法及应用示例；两类模型的具体比较结论未在摘要中说明。
- 阅读关注点
- 应核对模型的状态与学习机制、似然构造、迭代更新及收敛条件，并关注数值比较采用的评价标准。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断迭代收敛、参数识别或拟合优势，也不能推断其为经济行为结构模型。
原文摘要
An extension of the Markov model with only a few additional parameters is the linear learning model, as introduced by Bush & Mosteller (1955). To help its application in biological research an iterative procedure for calculating the maximum likelihood estimates of the unknown parameters is presented. Numerical examples, some of which have already been treated by Bush & Mosteller, are included, as well as comparisons between the linear learning model and the Markov model.