这个问题是由这个问题引起的。我查找了两个来源，这就是我发现的内容。
A. van der Vaart，渐进统计：
几乎不可能显式计算轮廓似然，但其数值评估通常是可行的。然后，轮廓似然可用于减小似然函数的维数。轮廓似然函数通常以与参数模型的（普通）似然函数相同的方式使用。除了上述的最大的他们的点作为估计，在二阶导数用作的估计减去e的渐近协方差矩阵的逆矩阵。最近的研究似乎证实了这种做法。 θ
J. Wooldridge，《截面和面板数据的计量经济学分析》（两个版本均相同）：
作为研究渐近性质的设备，由于通常取决于所有，因此集中目标函数的值是有限的，在这种情况下，目标函数不能写为独立的，均匀分布的求和的和。当我们从某些非线性面板数据模型集中特定于个体的效果时，就会出现一种方程式（12.89）是iid函数之和的设置。此外，集中目标函数对于建立看似不同的估算方法的等效性可能很有用。W
Wooldridge在更广泛的M估计量上下文中讨论了这个问题，因此它也适用于最大似然估计量。
因此，对于同一个问题，我们得到两个不同的答案。我认为魔鬼在于细节。对于某些模型，对于某些模型，我们可以安全地使用轮廓似然的hessian。是否有任何一般结果为我们何时（或不能这样做）提供条件？
这些段落似乎根本没有解决相同的问题：第一个涉及给定数据集的数值计算，而第二个涉及“研究渐近性质”。使用Hessian通常是纯粹的数学考虑，通常具有简单明了的答案：请参阅我们的相关讨论。
—
ub
van der Vaart说，Hessian用于计算渐近协方差矩阵。由于Wooldridge谈到不能将集中目标函数用于渐近性质的研究，因此这意味着其粗麻布（数值）不能用于估计标准误差。我没有忘记我们的讨论，因此我将这段话带入盐中。但是van der Vaart和Wooldridge均未提供任何参考。在进行广泛研究之前，我只是想检查一下，也许这是众所周知的。
—
mpiktas 2011年
优点：我不知何故忽略了范德法特语录中的“渐近”。但是，仍然可能没有矛盾：Wooldridge仅说明显的简单辩解（同义求和）无法证明范德法特的方法行之有效。伍尔德里奇（Wooldridge）并未表示不可行；-)。
—
Whuber
@whuber，是的，但他也没有说这也可以:)我知道可能没有矛盾，我只想知道是否有确定的结果。
—
mpiktas 2011年