Log-Linear Models for Doubly Sampled Categorical Data Fitted by the EM Algorithm
用 EM 算法拟合双重抽样分类数据的对数线性模型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：摘要讨论分类列联表及双重抽样，未涉及经济主体的离散选择或所列其他细分。
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…
关注这篇论文的作者
用 EM 算法拟合双重抽样分类数据的对数线性模型
- 研究问题
- 双重抽样实验产生的分类数据如何表示为不完整的多维列联表，并据此估计模型参数及参数函数的不确定性？
- 方法与思路
- 作者将双重抽样实验纳入不完整列联表的对数线性模型框架，使用 EM 算法进行最大似然估计并推导协方差表达。
- 材料陈述的贡献
- 摘要称，框架可处理任意数量的因素和测量装置，且 EM 最大似然估计可导出参数及其函数协方差的直接表达式。
- 阅读关注点
- 应核对双重抽样与不完整单元格的对应、测量装置的模型化方式、识别条件，以及协方差计算如何处理缺失信息。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；抽样和测量机制、模型限制及算法细节未说明，不能判断具体设计中的识别与收敛。
原文摘要
Double-sampling experiments can be expressed as incomplete multiway contingency tables and analyzed by using techniques appropriate for fitting log-linear models. The framework described can be applied to experiments with any number of factors and measurement devices. Maximum likelihood estimation via the EM algorithm leads to straightforward expressions for covariances of estimates of the parameters and functions of the parameters.