Approximate jackknife empirical likelihood method for estimating equations

Authors


Abstract

It is known that the profile empirical likelihood method based on estimating equations is computationally intensive when the number of nuisance parameters is large. Recently, Li, Peng, & Qi (2011) proposed a jackknife empirical likelihood method for constructing confidence regions for the parameters of interest by estimating the nuisance parameters separately. However, when the estimators for the nuisance parameters have no explicit formula, the computation of the jackknife empirical likelihood method is still intensive. In this paper, an approximate jackknife empirical likelihood method is proposed to reduce the computation in the jackknife empirical likelihood method when the nuisance parameters cannot be estimated explicitly. A simulation study confirms the advantage of the new method. The Canadian Journal of Statistics 40: 110–123; 2012 © 2012 Statistical Society of Canada

Abstract

Il est bien connu que la méthode du profil de vraisemblance empirique, basée sur les équations destimation, est très exigeante numériquement lorsqu'il y a beaucoup de paramètres de nuisance. Récemment, Li, Peng et Qi (2011) ont proposé une version jack-knife de la méthode de vraisemblance empirique pour construire des régions de confiance pour les paramètres d'intérêt en estimant les paramètres de nuisance séparément. Cependant, lorsqu'il est impossible dobtenir des estimateurs analytiques pour les paramètres de nuisance, le calcul de la version jack-knife de la méthode de vraisemblance empirique demeure ardue à évaluer numériquement. Dans cet article, nous proposons une approximation afin de réduire le temps de calcul de la version jack-knife de la méthode de vraisemblance empirique lorsque les paramètres de nuisance ne peuvent pas être estimés explicitement. Une étude de simulation confirme l'avantage de cette nouvelle méthode. La revue canadienne de statistique 40: 110–123; 2012 © 2012 Société statistique du Canada

Ancillary