Accurate Directional Inference for Vector Parameters in Linear Exponential Families
线性指数族中向量参数的精确方向性推断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：摘要属于指数族似然检验的一般理论，列联表和 logistic 回归例子不足以确定所列领域细分。
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…
线性指数族中向量参数的精确方向性推断
- 研究问题
- 在线性指数族中存在有限维干扰参数时，如何对向量目标参数进行准确检验，并减轻常规似然比方法的近似误差？
- 方法与思路
- 作者基于似然的高阶渐近理论提出方向性检验，利用一维积分计算 p 值，并发展连续与离散模型中的相关推断方法。
- 材料陈述的贡献
- 摘要称，例子和模拟展示较高准确性，与通常似然比及 Skovgaard 调整方法比较，并报告高维协方差选择中的良好表现。
- 阅读关注点
- 应核对方向的构造、干扰参数的处理、一维积分边界，以及高阶近似适用条件和高维比较所采用的具体设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差阶、适用维度范围与数值结果未提供，所述高准确性不能外推为所有模型的保证。
原文摘要
We consider inference on a vector-valued parameter of interest in a linear exponential family, in the presence of a finite-dimensional nuisance parameter. Based on higher-order asymptotic theory for likelihood, we propose a directional test whose p-value is computed using one-dimensional integration. The work simplifies and develops earlier research on directional tests for continuous models and on higher-order inference for discrete models, and the examples include contingency tables and logistic regression. Examples and simulations illustrate the high accuracy of the method, which we compare with the usual likelihood ratio test and with an adjusted version due to Skovgaard. In high-dimensional settings, such as covariance selection, the approach works essentially perfectly, whereas its competitors can fail catastrophically.