A family of empirical likelihood functions and estimators for the binary response model
二元响应模型的一族经验似然函数与估计量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：摘要明确以二元响应模型和传统 logit 为研究对象，直接支持归入离散选择方向，未提供其他领域依据。
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
二元响应模型的一族经验似然函数与估计量
- 研究问题
- 如何为二元响应模型构造包含传统 logit 的概率分布与估计量族，以提供更多具有常规渐近性质的参数化估计选择？
- 方法与思路
- 作者依据最小判别信息原则确定合适的参数化概率分布族及对应最大似然估计量，再通过抽样实验评估有限样本表现。
- 材料陈述的贡献
- 摘要称该估计量族包含传统 logit 模型，并形成一组具有通常渐近性质的参数估计替代方案，辅以有限样本实验。
- 阅读关注点
- 应核对最小判别信息原则如何决定分布族、logit 对应的特殊参数设定，以及常规渐近性质所需条件和实验设计。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断具体分布形式、经验似然与参数似然的关系，或替代估计量相对 logit 的优势。
原文摘要
The minimum discrimination information principle is used to identify an appropriate parametric family of probability distributions and the corresponding maximum likelihood estimators for binary response models. Estimators in the family subsume the conventional logit model and form the basis for a set of parametric estimation alternatives with the usual asymptotic properties. Sampling experiments are used to assess finite sample performance.