Curvature and inference for maximum likelihood estimates
最大似然估计的曲率与推断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：摘要研究一般似然几何与经验贝叶斯方法，未明确涉及所列经济计量细分领域。
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
最大似然估计的曲率与推断
- 研究问题
- 在多参数曲指数族中，最大似然估计未保留的观测信息如何通过统计曲率体现，并影响局部极大性质与估计精度？
- 方法与思路
- 作者将统计曲率分析扩展至多参数曲指数族，研究同一估计值对应观测集合中的稳定区域，以经验贝叶斯 g 建模为动机。
- 材料陈述的贡献
- 摘要称该观测集合存在稳定区域，区域之外相应估计值不再是局部极大点，且观测在区域内的位置影响估计精度。
- 阅读关注点
- 应核对曲率与稳定区域的数学定义、局部极大的判据，以及观测位置如何影响精度和经验贝叶斯示例中的推断。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；未说明稳定区域的构造与精度量化，不能推广至任意多参数模型。
原文摘要
Maximum likelihood estimates are sufficient statistics in exponential families, but not in general. The theory of statistical curvature was introduced to measure the effects of MLE insufficiency in one-parameter families. Here, we analyze curvature in the more realistic venue of multiparameter families—more exactly, curved exponential families, a broad class of smoothly defined nonexponential family models. We show that within the set of observations giving the same value for the MLE, there is a “region of stability” outside of which the MLE is no longer even a local maximum. Accuracy of the MLE is affected by the location of the observation vector within the region of stability. Our motivating example involves “$g$-modeling,” an empirical Bayes estimation procedure.