Minimum Chi-Square, not Maximum Likelihood!
最小卡方，而非最大似然！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：摘要围绕通用估计原则与统计评价展开，缺少所列领域细分的直接证据。
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
最小卡方，而非最大似然！
- 研究问题
- 作者质疑最大似然估计的优先地位，讨论最小卡方原则、充分性与二阶效率是否足以评价估计量的实际表现。
- 方法与思路
- 作者比较最小卡方与最大似然的估计方程，通过例子讨论估计存在性及充分性，并倡导以损失和蒙特卡洛实验评价。
- 材料陈述的贡献
- 摘要称所讨论的最小卡方准则产生与最大似然相同的估计方程，并以例子挑战充分性和二阶效率作为评价标准的地位。
- 阅读关注点
- 应核对卡方准则的具体定义、相同估计方程是否意味着相同解，以及各反例的模型设定和均方误差评价依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；所有情形下估计存在的说法仍属探索，观点与例子不能证明最小卡方普遍优于最大似然。
原文摘要
The sovereignty of MLE is questioned. Minimum $\chi^2_\lambda$ yields the same estimating equations as MLE. For many cases, as illustrated in presented examples, and further algorithmic exploration in progress may show that for all cases, minimum $\chi^2_\lambda$ estimates are available. In this sense minimum $\chi^2$ is the basic principle of estimation. The criterion of asymptotic sufficiency which has been called "second order efficiency" is rejected as a criterion of goodness of estimate as against some loss function such as the mean squared error. The relation between MLE and sufficiency is not assured, as illustrated in an example in which MLE yields $\infty$ as estimate with samples that have different values of the sufficient statistic. Other examples are cited in which minimal sufficient statistics exist but where the MLE is not sufficient. The view is advanced that statistics is a science, not mathematics or philosophy (inference) and as such requires that any claimed attributes of the MLE must be testable by a Monte Carlo experiment.