Some results on maximum likelihood from incomplete data: finite sample properties and an improved M-estimator for resampling method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This paper presents some results on the classical maximum likelihood (ML) parameter estimation from incomplete data. Finite sample properties of incomplete-data conditional observed information matrices are established. They possess positive def-initeness and the same Loewner partial ordering as the expected information matrices do. An explicit form of the observed Fisher information (OFI) is derived for the calculation of standard errors of the ML estimates. It simplifies Louis (1982) general formula for the OFI matrix. To prevent from getting an incorrect inverse of the OFI matrix, which may be attributed by the lack of sparsity and large size of the matrix, a monotone convergent recursive equation for the inverse of OFI matrix is developed which in turn generalizes the algorithm of Hero and Fessler (1994) for the Cramér-Rao lower bound. To improve the estimation, in particular when applying repeated sampling to incomplete data, a robust M-estimator is introduced. A closed form sandwich estimator of covariance matrix is proposed to provide the standard errors of the M-estimator. By the resulting loss of information presented in finite-sample incomplete data, the sandwich estimator produces smaller standard errors for the M-estimator than the ML estimates. In the case of complete information or absence of re-sampling, the M-estimator coincides with the ML estimates. Application to parameter estimation of a finite-mixture of Markov jump processes is discussed to verify the results. The simulation study confirms the accuracy and asymptotic properties of both the ML estimates and M-estimator. 2020 MSC: 60J20, 60J27, 62M09, 62H30
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle