Bu soru motive Bu teker . İki kaynağa baktım ve bulduğum şey bu.
A. van der Vaart, Asimptotik İstatistikler:
Bir profil olasılığını açıkça hesaplamak nadiren mümkündür, ancak sayısal değerlendirmesi genellikle mümkündür. O zaman profil olasılığı, olasılık fonksiyonunun boyutunu azaltmaya yarayabilir. Profil olabilirlik fonksiyonları genellikle parametrik modellerin (sıradan) olabilirlik fonksiyonları ile aynı şekilde kullanılır. Yanı sıra, tahmin olarak en fazla açılarını almaktan İçeride ISTV melerin RWMAIWi'nin , ikinci türev İçeride ISTV melerin RWMAIWi'nin bir tahmini eksi e asimptotik kovaryans matrisinin tersi olarak kullanılır. Son araştırmalar bu uygulamayı doğrulamaktadır.
J. Wooldridge, Kesit ve Panel Verilerinin Ekonometrik Analizi (her iki baskıda da aynı):
Asimptotik özellikleri incelemek için bir cihaz olarak, konsantre objektif fonksiyon sınırlıdır, çünkü genel olarak W'nin tümüne bağlıdır, bu durumda objektif fonksiyon bağımsız, aynı şekilde dağıtılmış toplamların toplamı olarak yazılamaz. Denklemin (12.89) iid işlevlerinin bir toplamı olduğu bir ayar, belirli doğrusal olmayan panel veri modellerinden bireysel spesifik efektleri konsantre ettiğimizde meydana gelir. Ek olarak, konsantre objektif fonksiyon, görünüşte farklı tahmin yaklaşımlarının denkliğini belirlemek için faydalı olabilir.
Wooldridge, sorunu M-tahmin edicilerinin daha geniş bağlamında tartışır, bu nedenle maksimum olabilirlik tahmin edicileri için de geçerlidir.
Aynı soru için iki farklı cevap alıyoruz. Bence şeytan ayrıntılarda. Bazı modeller için profil kendirini bazı modellerde güvenle kullanabiliriz. Bunu ne zaman yapabileceğimiz (ya da yapamadığımız) koşullar veren herhangi bir genel sonuç var mı?