The Asymptotic Efficiency of Conditional Likelihood Methods
条件似然方法的渐近效率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：摘要给出一般条件似然与辅助统计量理论，没有明确指向固定效应面板、离散选择或其他所列具体应用方向。
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
条件似然方法的渐近效率
- 研究问题
- 在包含干扰参数的模型中，条件化推断何时能保留关于目标参数的渐近效率，而不因使用条件似然而损失信息？
- 方法与思路
- 作者引入渐近弱辅助性概念，比较条件与无条件的最大似然估计及得分检验，并在指数族情形中核验关键条件。
- 材料陈述的贡献
- 摘要称，当条件统计量具有渐近弱辅助性时，条件估计与检验同无条件方法渐近等价，从而具有渐近效率。
- 阅读关注点
- 应核对渐近弱辅助性的精确定义、条件统计量的选择及其在指数族中的验证范围，并查看渐近等价所依赖的其他条件。
- 阅读边界
- 索引摘要版本未注明，未列出正则条件及有限样本结果；不能理解为任意条件化或所有含干扰参数模型都保持效率。
原文摘要
This paper concerns the efficiency of the conditional likelihood method for inference in models which include nuisance parameters. A new concept of ancillarity, asymptotic weak ancillarity, is introduced. It is shown that the conditional maximum likelihood estimator and the conditional score test of θ, the parameter of interest, are asymptotically equivalent to their unconditional counterparts, and hence are asymptotically efficient, provided that the conditioning statistic is asymptotically weakly ancillary. The key assumption that the conditioning statistic is asymptotically weakly ancillary is verified when the underlying distribution is from exponential families. Some illustrative examples are given.