Two-step semiparametric empirical likelihood inference
两步半参数经验似然推断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：摘要提出通用半参数经验似然理论，未明确涉及所列具体应用领域。
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…
两步半参数经验似然推断
- 研究问题
- 在插入第一步估计后，半参数经验似然比的极限分布常含未知量，如何恢复具有已知自由度的 Wilks 现象？
- 方法与思路
- 作者以插入式样本矩的影响函数作为估计方程中的矩函数，构造修正后的两步半参数经验似然推断程序。
- 材料陈述的贡献
- 摘要称该方法得到已知自由度的卡方极限，具有效率性质，无需欠平滑，并降低对第一步估计的敏感性。
- 阅读关注点
- 应核对影响函数的构造与估计、第一步收敛要求，以及效率、无需欠平滑和高维适用性分别依赖哪些条件。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明定理条件，不能将一般性理解为适用于所有半参数模型。
原文摘要
In both parametric and certain nonparametric statistical models, the empirical likelihood ratio satisfies a nonparametric version of Wilks’ theorem. For many semiparametric models, however, the commonly used two-step (plug-in) empirical likelihood ratio is not asymptotically distribution-free, that is, its asymptotic distribution contains unknown quantities, and hence Wilks’ theorem breaks down. This article suggests a general approach to restore Wilks’ phenomenon in two-step semiparametric empirical likelihood inferences. The main insight consists in using as the moment function in the estimating equation the influence function of the plug-in sample moment. The proposed method is general; it leads to a chi-squared limiting distribution with known degrees of freedom; it is efficient; it does not require undersmoothing; and it is less sensitive to the first-step than alternative methods, which is particularly appealing for high-dimensional settings. Several examples and simulation studies illustrate the general applicability of the procedure and its excellent finite sample performance relative to competing methods.