Empirical likelihood ratio confidence intervals for a single functional
单个统计泛函的经验似然比置信区间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：分位数仅是通用经验似然理论的适用对象之一，摘要未直接研究经济分位数或分布效应。
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
单个统计泛函的经验似然比置信区间
- 研究问题
- 如何在不指定参数分布族的情况下，利用分布上的似然比为均值、包含分位数的 M 估计量及可微泛函构造区间？
- 方法与思路
- 作者在分布空间上定义经验似然比，建立参数似然比理论的非参数扩展，并引入 bootstrap 校准临界值的混合方法。
- 材料陈述的贡献
- 摘要称经验似然比可用于多类单个统计泛函的置信区间，并通过真实数据与模拟和 bootstrap 区间、t 区间进行比较。
- 阅读关注点
- 应核对各类泛函的正则条件、似然比极限分布、区间计算方式，以及 bootstrap 临界值校准的理论与比较设计。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；摘要未说明各类泛函的具体条件或比较数值，不能据此判断经验似然区间普遍更优。
原文摘要
The empirical distribution function based on a sample is well known to be the maximum likelihood estimate of the distribution from which the sample was taken. In this paper the likelihood function for distributions is used to define a likelihood ratio function for distributions. It is shown that this empirical likelihood ratio function can be used to construct confidence intervals for the sample mean, for a class of M-estimates that includes quantiles, and for differentiable statistical functionals. The results are nonpara-metric extensions of Wilks's (1938) theorem for parametric likelihood ratios. The intervals are illustrated on some real data and compared in a simulation to some bootstrap confidence intervals and to intervals based on Student's t statistic. A hybrid method that uses the bootstrap to determine critical values of the likelihood ratio is introduced.