On constrained quasi-likelihood estimation
受约束的拟似然估计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：摘要属于通用受约束估计理论，未给出所列领域细分的直接应用依据。
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
受约束的拟似然估计
- 研究问题
- 当拟似然估计通常没有可最大化或最小化的目标函数时，如何施加参数约束，并建立适用范围较广的估计方法？
- 方法与思路
- 作者将拉格朗日乘子形式推广到受约束拟似然估计，并说明该方法与投影无约束估计量或其估计方程密切相关。
- 材料陈述的贡献
- 摘要称，这一形式可广泛用于受约束拟似然，在无法使用最大似然的半参数等问题中支持最优估计。
- 阅读关注点
- 应核对约束如何进入估计方程、投影所依据的几何结构，以及所谓最优性的比较对象、准则和成立条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；约束形式、最优性定义和正则条件未说明，不能推定任意约束下均适用。
原文摘要
For maximum likelihood or least squares parameter estimation subject to a constrained parameter, the standard approach is to use the method of Lagrange multipliers. In this paper it is shown that the same formal procedure applies very generally for constrained quasi-likelihood estimation even though there is ordinarily no objective function to maximize or minimize. This allows for optimal estimation in a wide range of problems where maximum likelihood cannot be used, such as for semiparametric models. The method is very similar to projecting the free estimator or projecting the equations which it solves.