1、經驗似然是一種非參數統計方法，用于對多元均值參數和更一般地，由估計方程定義的參數，構造置信域.自從它由Owen(1988，1990)提出以后，很多學者對它進行了深入的研究，見Owen(2001)以及其參考文獻.由于它的靈活性和有效性，現在這個方法已經得到越來越廣泛的應用.
　　 經驗似然具有很多優(yōu)點.例如，它不假定數據來自一個參數分布；不用估計方差；置信域的形狀由數據自動決定：經驗似然置信域是保值的和對參數變換不變的，等等.盡管

2、如此，實踐中它仍至少有兩個問題.其一是，經驗似然置信域的覆蓋精度常常不令人滿意.理論上覆蓋誤差是O(n-1)，這里n是樣本大小，不過模擬顯示一個名義置信水平是90％的經驗似然置信域可能只有低到83％的真實覆蓋率.其二是，在計算剖面經驗似然函數時，所求的數值問題可能沒有解.在這種情況下，剖面經驗似然函數沒有定義，經驗似然方法不能用.本論文致力于解決經驗似然的上述兩個問題.
　　 關于第一個問題，人們發(fā)現如果經驗似然可Bartlet

3、t修正的話，Bartlett修正可以改進經驗似然置信域的精度.通過Bartlett修正，經驗似然置信域的覆蓋誤差急劇的由O(n-1)減小到O(n-2).經驗似然在很多模型下都是可Bartlett修正的.DiCiccio，Hall and Romano(1991)揭示了如果參數可表示成樣本總體均值的光滑函數，那么經驗似然是可Bartlett修正的.遺憾的是，這篇文章給出的Bartlett修正因子的公式對于多維數據是不正確的，盡管對于一維數

4、據它是正確的.本論文的一個貢獻是指出這個錯誤并給出正確的公式.關于線性回歸系數和分位數的經驗似然置信區(qū)間也容許Bartlett修正(Chen1993，1994，and Chen and Hall1993).Jing(1995)把經驗似然方法推廣到標量觀察值的兩樣本均值問題。并指出它仍是可Bartlett修正的.不過，Jing(1995)給了一個錯誤的Bartlett修正因子.Liu，Zou and Zhang(2008)對于多元觀察值情

5、況用經驗似然方法重新研究了這個問題，并給出了正確的Bartlett修正因子，這構成了本論文的一部分，見第五章.在一般估計方程框架下，Lazar andMykland(1999)指出由帶一個冗余參數的兩個估計函數定義的經驗似然不一定是可Bartlett修正的.然而如果對給定的感興趣參數。冗余參數可以通過取剖面經驗似然而消失，那么一般估計方程框架下的經驗似然仍是可Bartlett修正的(Cui andChen2006，2007).總而言之，

6、對于常用的模型，經驗似然都是可Bartlett修正的.這意味著，這時經驗似然方法的精度可以通過Bartlett修正得到改進。
　　 為了解決第二個問題，通常的做法是，把沒有定義的剖面經驗似然函數定義為0.但是這種策略至少有兩個局限性.其一是，確定剖面經驗似然在哪些參數值上沒有定義是很困難的；其二是，那些似然為0的參數值的合理性是值得懷疑的.由Chen，Variyath，and Abranham(2008)引入的一種調整的經驗似然

7、方法徹底解決了這個問題，而且簡便易行并具有很多優(yōu)點.本論文的又一貢獻是指出，通過適當的調整(依賴于通常經驗似然的Bartlett修正因子)，這種調整的經驗似然，不但保證了調整的剖面經驗似然函數的存在性，還能達到Bartlett修正過的經驗似然同樣的精度。
　　 盡管在理論上，Bartlett修正能夠使基于經驗似然和調整的經驗似然的置信區(qū)間的覆蓋誤差從O(n-1)減小到O(n-2)，但是模擬顯示這種方法并不如預期的那么好，特別是對

8、于小樣本.我們發(fā)現主要原因可能來自于通常的矩估計對Bartlett修正因子的嚴重的低估.為此，我們對Bartlett修正因子提出了一個新的估計.模擬顯示這個估計比通常的矩估計具有較小的偏差.如預期的那樣，使用這個新的估計之后。所有相關的結果都得到了很大改進.
　　 當參數是標量的時候，一般的置信區(qū)間，如基于經驗似然、基于Bartlett修正過的經驗似然、以及基于調整過的經驗似然的置信區(qū)間都是雙邊置信區(qū)間。在有些情況下單邊置信區(qū)間

9、，即下側置信限或者上側置信限，更有意義些。正如文獻中已經指出的那樣，基于經驗似然或者調整的經驗似然的雙邊置信區(qū)間雙側覆蓋誤差為O(N-1)，每個端點的單側覆蓋誤差是O(n-1/2).盡管帶Bartlerr修正的調整過的經驗似然或者Bartlerr修正的經驗似然具有很小的雙邊覆蓋誤差(O(n-2))，但是基于它們的單側置信區(qū)間的覆蓋誤差仍然是O(n-1/2).本論文的最后一個貢獻是，提出帶兩個偽觀察值的調整的經驗似然，基于這種方法的雙側置