Orthogonal Moments in Likelihood Models
似然模型中的正交矩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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以面板和网络固定效应模型为动机，并给出二元选择模型的构造。
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…
似然模型中的正交矩
- 研究问题
- 似然模型中大量干扰参数估计不精确时，如何构造对其不敏感的估计方程，以缓解目标参数的附带参数问题？
- 方法与思路
- 作者区分 Neyman 正交、有限阶正交与完全正交，通过向干扰得分、似然比导数及全部似然比张成的子空间投影构造矩。
- 材料陈述的贡献
- 摘要称该框架统一比较三类正交性，并为二元选择、计数数据和非线性回归模型提供显式的正交矩构造。
- 阅读关注点
- 应核对三种正交性的精确定义、投影存在与可计算条件，以及正交矩是否保留识别信息并改善附带参数偏差。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明各构造的具体模型限制，也未给出效率或有限样本保证。
原文摘要
Many models, such as fixed-effect models for panel or network data, are hard to estimate because they feature nuisance parameters that are both numerous and estimated imprecisely. This, in general, causes an incidental-parameter problem in the estimator of the parameters of interest. The problem can be alleviated by working with an estimating equation whose expectation is insensitive to the value of the nuisance parameters. We discuss and contrast three notions of insensitivity, also called orthogonality, in the context of likelihood models: Neyman orthogonality, Neyman orthogonality to order q, and full orthogonality. Orthogonal moments are obtained by projecting the estimating equation on nested subspaces, which are spanned by, respectively, the scores of the nuisance parameters, the first q derivatives of the likelihood ratio with respect to the nuisance parameters, and all likelihood ratios of the model. We give explicit constructions in binary-choice, count-data, and nonlinear regression models.