Asymptotic cumulants of the minimum phi-divergence estimator for categorical data under possible model misspecification.
Asymptotic cumulants of the minimum phi-divergence estimator for categorical data under possible model misspecification.
复制标题
在可能的模型错误指定下，分类数据的最小 phi 散度估计量的渐近累积量。
DOI：
10.1080/03610926.2019.1576888
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
H.
中科院分区：
文献类型：
--
作者：
Ogasawara;H.
在可能的模型误设下，得到了分类数据模型参数的最小φ-散度估计的四阶渐近累积量和高阶渐近方差.相应的渐近累积量的学生化最小φ-散度估计的三阶也来自。这些渐近累积量，当一个模型是错误的指定，取决于形式的φ发散。数值模拟的例子给出了典型的情况下，φ发散，最大似然估计不一定能得到最好的结果。真实的数据的例子显示使用对数线性模型列联表。
The asymptotic cumulants of the minimum phi-divergence estimators of the parameters in a model for categorical data are obtained up to the fourth order with the higher-order asymptotic variance under possible model misspecification. The corresponding asymptotic cumulants up to the third order for the studentized minimum phi-divergence estimator are also derived. These asymptotic cumulants, when a model is misspecified, depend on the form of the phi-divergence. Numerical illustrations with simulations are given for typical cases of the phi-divergence, where the maximum likelihood estimator does not necessarily give best results. Real data examples are shown using log-linear models for contingency tables.