Multiway empirical likelihood
多维交叉索引数据的经验似然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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以二部网络作为方法示例，支持网络方向；多组实体索引本身未充分说明传统面板数据设定。
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…
多维交叉索引数据的经验似然
- 研究问题
- 当观测由多组实体交叉索引，且相应 Hoeffding 型分解可能退化时，如何构造具有可用极限分布的经验似然推断方法？
- 方法与思路
- 作者通过删除行或列构造伪值，提出多维经验似然统计量，并进一步修改统计量，以处理线性项不再主导的退化情形。
- 材料陈述的贡献
- 摘要称，原统计量在非退化情形下趋于卡方分布，修改版本兼顾退化情形，并具有相对常规 Eicker–White 方差 t 比率的高阶性质。
- 阅读关注点
- 应核对多组实体之间的依赖假设、退化的定义、修正统计量及自由度，并检查高阶性质比较和二部网络示例各自的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未说明完整依赖条件、修正公式或高阶误差，不能推断任意交叉数据均适用。
原文摘要
This paper develops a general methodology to conduct statistical inference for observations indexed by multiple sets of entities. We propose a novel multiway empirical likelihood statistic that converges to a chi-square distribution under the non-degenerate case, where corresponding Hoeffding type decomposition is dominated by linear terms. Our methodology is related to the notion of jackknife empirical likelihood but the leave-out pseudo values are constructed by leaving columns or rows. We further develop a modified version of our multiway empirical likelihood statistic, which converges to a chi-square distribution regardless of the degeneracy, and discover its desirable higher-order property compared to the t-ratio by the conventional Eicker-White type variance estimator. The proposed methodology is illustrated by several important statistical problems, such as bipartite network, generalized estimating equations, and three-way observations.