Maximum-Likelihood Estimation Procedures and Associated Tests of Significance
最大似然估计程序及其配套显著性检验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：摘要讨论一般参数约束和似然检验，参数识别一词不足以归入因果或结构估计。
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
最大似然估计程序及其配套显著性检验
- 研究问题
- 当统计模型参数需要检验并可能满足约束时，非受限估计配合 Wald 检验与受限估计配合拉格朗日乘子检验应如何比较？
- 方法与思路
- 作者分别用参数约束方程和低维参数化描述限制，讨论两套大样本方法的实用性，并调整方法处理识别所必需的约束。
- 材料陈述的贡献
- 摘要称比较并示范了两套广泛适用的大样本程序，还说明如何将方法用于必须施加参数约束才能实现识别的情形。
- 阅读关注点
- 应核对两种约束表示下的估计与检验构造、识别约束的处理步骤，以及作者比较实用性时所考虑的计算和统计条件。
- 阅读边界
- 仅据 Crossref 摘要；具体识别条件、大样本正则条件和比较实例未给出，不能判断哪种程序在所有约束问题中更优。
原文摘要
Summary The essence of many statistical problems, including most standard techniques, is to test whether or not the unknown parameters of an appropriate statistical model satisfy certain restrictions; and the outcome of such a test dictates whether it is necessary to provide estimates of these parameters which also satisfy the restrictions. In this paper we discuss and illustrate the relative merits, as practical tools for the consulting statistician, of two large-sample techniques of wide applicability to such situations: (i) unrestricted maximum-likelihood estimation with its associated Wald test, (ii) restricted maximum-likelihood estimation with its associated Lagrange-multiplier test. The discussion falls into two main sections corresponding to two methods of specifying restrictions, as constraint equations in the parameters, or as freedom equations expressing the parameters in terms of a second smaller set of parameters. The methods are modified by a simple device to apply to the case where constraints on the parameters are necessary to allow their identification.