Grouped Likelihood for the Shifted Power Transformation
平移幂变换模型的分组似然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：摘要研究变换模型与非正则似然，未明确涉及所列计量领域细分。
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…
平移幂变换模型的分组似然
- 研究问题
- 平移幂变换模型的普通似然为何常缺乏局部极大值，分组似然能否缓解这一问题并支持参数推断？
- 方法与思路
- 作者分析普通似然的病态行为，讨论分组似然的替代方案和实际实现，并简要考察未分组似然下的贝叶斯推断。
- 材料陈述的贡献
- 摘要称，分组似然可避免所述困难，并为其在非正则问题中的用途提供进一步证据；贝叶斯部分也指出未分组方法的困难。
- 阅读关注点
- 应核对变换模型的参数空间、局部极大值缺失的原因、分组规则，以及分组对信息保留和推断结果的影响。
- 阅读边界
- 仅据 Crossref 摘要，分组设计、理论保证和贝叶斯处理细节未说明；不能据此认定分组似然适用于所有非正则模型。
原文摘要
SUMMARY Estimation of parameters is considered in the shifted power transformation family of models. The ordinary likelihood function is shown to behave poorly, often having no local maximum. It is argued that a grouped likelihood approach avoids these difficulties, and the practical implementation of this approach is considered. Bayesian inference is also considered, though more briefly, and it is argued that there are again difficulties with an ungrouped likelihood approach. The results provide further evidence of the utility of grouped likelihood approaches to inference in non-regular problems.