Miscellanea. Information matrix computation from conditional information via normal approximation
短札：通过正态近似由条件信息计算信息矩阵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：摘要讨论一般似然信息矩阵计算，混合效应示例不足以确定其属于经济面板等细分领域。
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
短札：通过正态近似由条件信息计算信息矩阵
- 研究问题
- 当参数的最大似然估计已知时，如何利用似然函数的一维条件信息与正态近似计算估计量的渐近协方差矩阵？
- 方法与思路
- 作者在适当局部范围内用二次对数似然估计一维信息，再借助张成联合空间的条件分布恢复正态协方差矩阵。
- 材料陈述的贡献
- 摘要提出从条件信息计算渐近协方差的方法，并以线性混合效应模型示例说明这一正态近似计算思路。
- 阅读关注点
- 应核对局部区间与条件方向的选择、二次近似的可靠性、矩阵恢复步骤，以及混合效应示例中的实现细节。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；未给出近似误差或数值稳定性条件，不能据此保证任意似然下准确。
原文摘要
This paper provides a method for computing the asymptotic covariance matrix from a likelihood function with known maximum likelihood estimate of the parameters. Philosophically, the basic idea is to assume that the likelihood function should be well approximated by a normal density when asymptotic results about the maximum likelihood estimate are applied for statistical inference. Technically, the method makes use of two facts: the information for a one-dimensional parameter can be well computed when the loglikelihood is approximately quadratic over the range corresponding to a small positive confidence interval; and the covariance matrix of a normal distribution can be obtained from its one-dimensional conditional distributions whose sample spaces span the sample space of the joint distribution. We illustrate the method with its application to a linear mixed-effects model.