파라메트릭·경험적 가능도 하이브리드 방법론
본 논문은 파라메트릭 모델의 가능도와 경험적 가능도(EL)를 가중치 *a* (0≤*a*<1) 로 결합한 하이브리드 가능도 *Hₙ(θ)=Lₙ(θ)^{1‑a} Rₙ(μ(θ))^{a}* 를 제안한다. θ는 파라메트릭 모형 파라미터, μ는 별도 추정함수 *m(Y,μ)* 에 의해 정의되는 보조 파라미터이다. 저자는 HL 추정량의 점근적 정규성, Wilks 정리의 확장, 모델 오차 시 강건성, 그리고 최적 *a* 선택 절차를 이론적으로 정립하고, 정규·베…
저자: Nils Lid Hjort, Ian W. McKeague, Ingrid Van Keilegom
**1. 연구 배경 및 목적**
통계 분석에서 파라메트릭 모델은 효율적인 추정을 가능하게 하지만, 모델이 실제 데이터 생성 과정을 정확히 반영하지 않을 경우 큰 편향을 초래한다. 반면 경험적 가능도(EL)는 최소한의 가정만으로 신뢰구간을 제공하지만, 표본 크기가 작을 때 효율성이 떨어진다. 저자들은 두 방법의 장점을 동시에 활용하고, 단점을 보완하기 위해 ‘하이브리드 가능도(Hybrid Likelihood, HL)’라는 새로운 추정 프레임워크를 제안한다.
**2. 하이브리드 가능도 정의**
관측값 *Y₁,…,Yₙ* 이 i.i.d.이며, 파라메트릭 밀도 *f(y;θ)* 와 별도 추정함수 *m(y,μ)* 에 의해 정의되는 보조 파라미터 *μ* 가 존재한다. EL은
\
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기