Conditional score functions: Some optimality results
条件得分函数的若干最优性结果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：摘要讨论条件得分、干扰参数与估计函数的一般最优性理论，未明确涉及面板、结构估计或其他所列领域细分。
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…
关注这篇论文的作者
条件得分函数的若干最优性结果
- 研究问题
- 条件得分的最优估计方程性质能否推广到部分似然分解，而当条件统计量依赖目标参数时，仍能保留怎样的最优性？
- 方法与思路
- 作者将已有条件得分最优性结果推广至部分似然分解，分析参数依赖的条件统计量，再以较弱的最优加权准则构造估计函数。
- 材料陈述的贡献
- 摘要称，在所考察的参数依赖情形中全局最优估计函数不可得，而较弱准则导出一类满足信息等式的估计条件得分函数。
- 阅读关注点
- 应核对完备充分性条件、部分似然分解的形式、全局最优性的比较范围，以及最优加权与信息等式的具体定义。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出推广条件和证明，不能将全局最优性不可得的结论扩展到任意估计问题。
原文摘要
The conditional score function has previously been shown to generate the optimal estimating equation for a parameter of interest when the conditioning statistic is complete and sufficient for the nuisance parameters (Godambe, 1976). The present paper generalizes these results to partial likelihood factorizations and then examines the nature of the problem when the appropriate conditioning statistics depend on the parameter of interest. In this case, globally optimal estimating functions are impossible. A weaker criterion of optimal weighting leads to a class of estimated conditional score functions which satisfy an information equality.