High-dimensional empirical likelihood inference
高维经验似然推断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：摘要提供一般估计方程下的高维推断与设定检验，未指明对应的经济模型或所列应用方向，故保留空分类。
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…
高维经验似然推断
- 研究问题
- 在一般估计方程含有高维干扰参数时，如何为多个目标参数构造有效置信域，并检验模型设定是否与数据相容？
- 方法与思路
- 作者重新构造估计方程以减弱干扰参数估计的影响，用经验似然比构造置信域，并以边际似然比最大值检验设定。
- 材料陈述的贡献
- 摘要称建立了两类经验似然方法的有效性理论，可容纳过度识别与指数增长的数据维度，并报告数值研究表现。
- 阅读关注点
- 应核对新估计方程的构造、干扰参数误差可忽略的条件、维度增长限制，以及最大值检验的临界值计算。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定稀疏性、矩条件或样本规模限制；数值表现不能证明对所有高维模型有效。
原文摘要
Summary High-dimensional statistical inference with general estimating equations is challenging and remains little explored. We study two problems in the area: confidence set estimation for multiple components of the model parameters, and model specifications tests. First, we propose to construct a new set of estimating equations such that the impact from estimating the high-dimensional nuisance parameters becomes asymptotically negligible. The new construction enables us to estimate a valid confidence region by empirical likelihood ratio. Second, we propose a test statistic as the maximum of the marginal empirical likelihood ratios to quantify data evidence against the model specification. Our theory establishes the validity of the proposed empirical likelihood approaches, accommodating over-identification and exponentially growing data dimensionality. Numerical studies demonstrate promising performance and potential practical benefits of the new methods.