Maximum Likelihood Estimation under Order Restrictions by the Prior Feedback Method
利用先验反馈法进行序约束下的最大似然估计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：摘要讨论序约束及一般约束估计的通用优化算法，没有提供归入所列微观、宏观或金融方向的具体依据。
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
利用先验反馈法进行序约束下的最大似然估计
- 研究问题
- 序约束线性模型及更一般的约束最大似然问题，能否通过统一的优化思路求解，减少算法对具体问题的依赖？
- 方法与思路
- 作者提出利用一系列方差趋于零的形式贝叶斯估计进行优化，计算可采用精确求解或马尔可夫链蒙特卡洛近似。
- 材料陈述的贡献
- 摘要提出类似模拟退火的先验反馈方法，并称只要相关贝叶斯估计能够计算即可应用，另给出两个实际例子。
- 阅读关注点
- 应核对先验反馈和方差收缩的步骤、优化收敛条件，以及蒙特卡洛近似误差和约束处理对计算结果的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明全局收敛、计算复杂度或调节规则，其通用性以贝叶斯估计可计算为前提。
原文摘要
Algorithms for deriving isotonic regression estimators in order-restricted linear models and more generally restricted maximum likelihood estimators are usually quite dependent on the particular problem considered. We propose here an optimization method based on a sequence of formal Bayes estimates whose variances converge to zero. This method, akin to simulated annealing, can be applied “universally”; that is, as long as these Bayes estimators can be derived by exact computation or Markov chain Monte Carlo sampling approximation. We then give an illustration of our method for two real-life examples.