Access

You are not currently logged in.

Access your personal account or get JSTOR access through your library or other institution:

login

Log in to your personal account or through your institution.

Empirical Likelihood Inference for a Common Mean in the Presence of Heteroscedasticity

Min Tsao and Changbao Wu
The Canadian Journal of Statistics / La Revue Canadienne de Statistique
Vol. 34, No. 1 (Mar., 2006), pp. 45-59
Stable URL: http://www.jstor.org/stable/20445185
Page Count: 15
  • Download ($4.00)
  • Cite this Item
Empirical Likelihood Inference for a Common Mean in the Presence of Heteroscedasticity
Preview not available

Abstract

The authors develop empirical likelihood (EL) based methods of inference for a common mean using data from several independent but nonhomogeneous populations. For point estimation, they propose a maximum empirical likelihood (MEL) estimator and show that it is √n-consistent and asymptotically optimal. For confidence intervals, they consider two EL based methods and show that both intervals have approximately correct coverage probabilities under large samples. Finite-sample performances of the MEL estimator and the EL based confidence intervals are evaluated through a simulation study. The results indicate that overall the MEL estimator and the weighted EL confidence interval are superior alternatives to the existing methods. /// Les auteurs développent des méthodes d'inférence fondées sur la vraisemblance empirique (VE) pour la moyenne commune de populations indépendantes non-homogènes. Pour l'estimation ponctuelle, ils proposent un estimateur de vraisemblance empirique maximale (VEM) dont ils montrent qu'il est √n-convergent et asymptotiquement optimal. Pour l'estimation par intervalle, ils considèrent deux méthodes basées sur la VE et montrent que les intervalles correspondants ont à peu près la bonne couverture dans de grands échantillons. Les performances à taille finie de l'estimateur de VEM et des intervalles de confiance de VE sont évaluées par voie de simulation. Les résultats indiquent que globalement, l'estimateur de VEM et l'intervalle de confiance de VE pondéré sont supérieurs aux méthodes existantes.

Page Thumbnails

  • Thumbnail: Page 
45
    45
  • Thumbnail: Page 
46
    46
  • Thumbnail: Page 
47
    47
  • Thumbnail: Page 
48
    48
  • Thumbnail: Page 
49
    49
  • Thumbnail: Page 
50
    50
  • Thumbnail: Page 
51
    51
  • Thumbnail: Page 
52
    52
  • Thumbnail: Page 
53
    53
  • Thumbnail: Page 
54
    54
  • Thumbnail: Page 
55
    55
  • Thumbnail: Page 
56
    56
  • Thumbnail: Page 
57
    57
  • Thumbnail: Page 
58
    58
  • Thumbnail: Page 
59
    59