The Computation of FIML Estimates as Iterative Generalized Least Squares Estimates in Linear and Nonlinear Simultaneous Equations Models
线性与非线性联立方程模型中全信息极大似然估计的迭代广义最小二乘计算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：摘要以线性与非线性联立方程模型的全信息极大似然估计为核心，直接涉及结构方程系统的估计算法，支持结构估计分类。
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
线性与非线性联立方程模型中全信息极大似然估计的迭代广义最小二乘计算
- 研究问题
- 在线性与非线性中等规模联立方程模型中，如何统一计算全信息极大似然估计，并合理选择每次迭代的步长？
- 方法与思路
- 作者提出以迭代广义最小二乘计算全信息极大似然估计的统一方案，另设计步长选择程序，并以数值结果考察算法表现。
- 材料陈述的贡献
- 摘要称贡献包括适用于线性与非线性模型的统一迭代算法、步长选择办法，以及展示算法稳健性和相对效率的数值结果。
- 阅读关注点
- 核对迭代更新与全信息极大似然目标的关系、步长准则及收敛条件，并检查数值实验的比较算法、初始值和计算成本。
- 阅读边界
- 摘要未说明收敛保证、比较基准或具体数值表现；所述稳健性与相对效率仅属作者报告，不能推断适用于任意规模模型。
原文摘要
THE PURPOSE OF THIS PAPER is threefold: (i) to provide a unified iterative generalized least squares approach for computing FIML estimates for both linear and nonlinear simultaneous equations models of medium size (containing about 50 parameters in the nonlinear case and 75 in the linear case); (ii) to suggest a useful procedure to determine the length of the step to be made at each iteration of the algorithm; (iii) to report on numerical results which illustrate the robustness and the relative efficiency of the proposed method.