基于微分几何的惩罚似然对极大似然估计的渐近偏倚削减
统计理论
2024-03-26 v4 统计理论
摘要
提出了一种针对一般估计量的极大似然估计渐近偏倚削减的方法。该估计量实现为插件估计量，其中参数最大化惩罚似然，惩罚函数满足一阶拟线性偏微分方程。讨论了对该偏微分方程借助微分几何进行积分的方法。给出了在广义线性模型、线性混合效应模型以及位置-尺度族上的应用。
引用
@article{arxiv.2011.14747,
title = {Asymptotic bias reduction of maximum likelihood estimates via penalized likelihoods with differential geometry},
author = {Masayo Y. Hirose and Shuhei Mano},
journal= {arXiv preprint arXiv:2011.14747},
year = {2024}
}
备注
49 pages, 4 figures