The ABC of Simulation Estimation with Auxiliary Statistics
基于辅助统计量的模拟估计：近似贝叶斯计算的方法联系AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确用动态面板模型开展模拟比较；主要方法本身属于通用的无似然模拟估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于辅助统计量的模拟估计：近似贝叶斯计算的方法联系
- 研究问题
- 当复杂模型的似然难以计算时，模拟最小距离与近似贝叶斯计算之间有什么联系，其估计结果为何可能存在系统差异？
- 方法与思路
- 作者构造结合优化与重要性加权的反向采样器，以模拟最小距离解的加权平均理解理想近似贝叶斯估计，并用随机展开分析差异。
- 材料陈述的贡献
- 摘要称建立了频率学模拟估计与贝叶斯计算之间的联系，统一刻画包括拉普拉斯型估计量在内的方法，并提供动态面板模拟。
- 阅读关注点
- 应核对辅助统计量的识别能力、反向采样权重与目标后验的一致性，以及理想估计和实际算法之间的近似误差与计算代价。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与接收未经核验；摘要未说明权重公式、展开条件或模拟结果，不能据此判断方法优劣。
原文摘要
The frequentist method of simulated minimum distance (SMD) is widely used in economics to estimate complex models with an intractable likelihood. In other disciplines, a Bayesian approach known as Approximate Bayesian Computation (ABC) is far more popular. This paper connects these two seemingly related approaches to likelihood-free estimation by means of a Reverse Sampler that uses both optimization and importance weighting to target the posterior distribution. Its hybrid features enable us to analyze an ABC estimate from the perspective of SMD. We show that an ideal ABC estimate can be obtained as a weighted average of a sequence of SMD modes, each being the minimizer of the deviations between the data and the model. This contrasts with the SMD, which is the mode of the average deviations. Using stochastic expansions, we provide a general characterization of frequentist estimators and those based on Bayesian computations including Laplace-type estimators. Their differences are illustrated using analytical examples and a simulation study of the dynamic panel model.