Sự điều chỉnh của Firth tương đương với việc chỉ định trước Jeffrey và tìm kiếm chế độ phân phối sau. Một cách thô bạo, nó bổ sung một nửa quan sát vào tập dữ liệu giả định rằng các giá trị thực của các tham số hồi quy bằng 0.
Bài báo của Firth là một ví dụ về sự tiệm cận bậc cao. Trình tự null, như vậy để nói, được cung cấp bởi các luật số lớn: trong các mẫu nơi θ 0 là giá trị đích thực. Bạn có thể đã học được rằng các MLE là bình thường không có triệu chứng, đại khái là vì chúng dựa trên các phép biến đổi phi tuyến của tổng các biến iid (điểm số). Đây là xấp xỉ lệnh đầu tiên: θ n = θ 0 + O ( n - 1 / 2 ) = θ 0 + v 1 n - 1 /θ^n≈ θ0θ0nơi v 1 là một biến bình thường với zero trung bình và phương sai σ 2 1 (hoặc var-cov ma trận) đó là nghịch đảo của thông tin Fisher cho quan sát duy nhất. Thống kê kiểm tỷ lệ khả năng là sau đó tiệmn( θ n - θ 0 ) 2 / σ 2 1 ~ χ 2 1 hoặc bất cứ các phần mở rộng đa biến với các sản phẩm nội và nghịch đảo ma trận hiệp phương sai sẽ.θn= θ0+ O ( n- 1 / 2) = θ0+ v1n- 1 / 2+ o ( n- 1 / 2)v1σ21n ( θ^n- θ0)2/ σ21∼ χ21
Cao asymptotics trật tự cố gắng để học được điều gì về điều đó tới hạn , thường là bằng cách trêu chọc ra tiếp theo hạn O ( n - 1 ) . Bằng cách đó, các ước tính và thống kê kiểm tra có thể kết hợp các thành kiến mẫu nhỏ của thứ tự 1 / n (nếu bạn thấy bài báo có nội dung "chúng tôi có MLE không thiên vị", những người này có thể không biết họ đang nói về điều gì). Sự điều chỉnh được biết đến nhiều nhất của loại này là sự điều chỉnh của Bartlett cho các thử nghiệm tỷ lệ khả năng. Sự điều chỉnh của Firth cũng theo thứ tự đó: nó thêm một số lượng cố định 1o ( n- 1 / 2)Ô ( n- 1)1 / n(đỉnh p. 30) cho khả năng, và trong các mẫu lớn sự đóng góp tương đối của số lượng mà biến mất với tỷ lệ1/nlùn bởi những thông tin mẫu.12lndet tôi( θ )1 / n