On Use of the Em Algorithm for Penalized Likelihood Estimation
EM 算法在惩罚似然估计中的应用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：摘要研究通用惩罚似然计算方法，没有所列结构估计或其他经济计量领域的直接依据。
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
EM 算法在惩罚似然估计中的应用
- 研究问题
- 当估计目标从普通极大似然转为惩罚似然或最大后验估计时，EM 算法的性质和收敛速度如何，是否存在更实用的替代？
- 方法与思路
- 作者讨论 EM 算法用于惩罚似然和最大后验估计时的性质，重点分析收敛速率，并提出一种替代算法进行比较。
- 材料陈述的贡献
- 摘要称提出的替代方法通常更实用，且收敛速度至少不慢于所比较的 EM 方法；摘要未说明具体算法形式和比较条件。
- 阅读关注点
- 应核对惩罚项的条件、替代算法的更新步骤、收敛速率比较的含义，以及理论迭代速度与实际计算成本的关系。
- 阅读边界
- 依据所给 Crossref 摘要，未提供算法细节或收敛条件；不能把至少同样快理解为任意模型下运行时间均更短。
原文摘要
SUMMARY The EM algorithm is a popular approach to maximum likelihood estimation but has not been much used for penalized likelihood or maximum a posteriori estimation. This paper discusses properties of the EM algorithm in such contexts, concentrating on rates of convergence, and presents an alternative that is usually more practical and converges at least as quickly.