Jackknife Empirical Likelihood
刀切经验似然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。
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：摘要讨论通用经验似然与 U 统计量计算，缺乏所列经济或金融细分方向的依据。
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
刀切经验似然
- 研究问题
- 当经验似然直接用于 U 统计量等复杂统计量而面临严重计算困难时，如何获得简便可用的替代方法，是本文的问题。
- 方法与思路
- 作者引入刀切经验似然方法，重点考察其对单样本与双样本 U 统计量的处理，并讨论推广到其他非线性统计量的可能。
- 材料陈述的贡献
- 摘要称，所提方法在实践中非常简单，对单样本和双样本 U 统计量有效；对其他非线性统计量仅提出潜在用途。
- 阅读关注点
- 应核对刀切构造如何简化经验似然计算、适用统计量的条件，以及文中是否提供分布理论与计算比较的明确结果。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体理论保证或数值结果，对其他非线性统计量的适用性仍属潜在用途。
原文摘要
Empirical likelihood has been found very useful in many different occasions. However, when applied directly to some more complicated statistics such as U-statistics, it runs into serious computational difficulties. In this paper, we introduce a so-called jackknife empirical likelihood (JEL) method. The new method is extremely simple to use in practice. In particular, the JEL is shown to be very effective in handling one and two-sample U-statistics. The JEL can be potentially useful for other nonlinear statistics.