Empirical likelihood as a goodness-of-fit measure
作为拟合优度度量的经验似然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：摘要讨论通用经验似然与置信域理论，未提供所列经济计量细分领域的直接依据。
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
作为拟合优度度量的经验似然
- 研究问题
- 研究经验似然如何解释为概率分配与拟合优度最小化，以及更换拟合准则后置信域的收敛和覆盖性质如何变化。
- 方法与思路
- 作者将样本视为具有多个单元的列联表，在概率分配问题中使用 Cressie–Read 幂散度族，并考察置信域校准。
- 材料陈述的贡献
- 摘要称整个幂散度族可获得同类收敛率，其中仅经验似然可作 Bartlett 校正；均值模拟提示缩放 F 校准改善中等样本覆盖。
- 阅读关注点
- 应核对置信域收敛率的定义、幂散度参数对应关系、Bartlett 校正条件，以及缩放 F 校准的构造与模拟范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体正则条件和模拟设计未提供，不能将特定覆盖改善推广至所有参数或样本。
原文摘要
The method of empirical likelihood can be viewed as one of allocating probabilities to an n-cell contingency table so as to minimise a goodness-of-fit criterion. It is shown that, when the Cressie-Read power-divergence statistic is used as the criterion, confidence regions enjoying the same convergence rates as those found for empirical likelihood can be obtained for the entire range of values of the Cressie-Read parameter λ, including − 1, maximum entropy, 0, empirical likelihood, and 1, Pearson's χ2. It is noted that, in the power-divergence family, empirical likelihood is the only member which is Bartlettcorrectable. However, simulation results suggest that, for the mean, using a, scaled F distribution yields more accurate coverage levels for moderate sample sizes.