Minimizing sensitivity to model misspecification
最小化对模型误设的敏感性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。
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：摘要明确以转移支付影响、二元选择和短动态面板二元选择为应用，分别支持因果推断、离散选择及面板数据分类。
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
最小化对模型误设的敏感性
- 研究问题
- 当参考模型可能存在局部误设，且目标参数可能仅部分识别或具有非规则识别性质时，如何构造稳健估计、区间和敏感性分析？
- 方法与思路
- 作者以样本量索引误设程度，通过一步调整构造参考模型邻域内均方误差极小极大估计，并用设定检验的局部功效解释误设幅度。
- 材料陈述的贡献
- 摘要称方法提供局部误设下覆盖真参数的置信区间，并将敏感性分析用于墨西哥转移支付、横截面二元选择和短动态面板选择模型。
- 阅读关注点
- 应核对误设邻域的定义、极小极大准则与一步调整公式，区间覆盖成立的条件，以及部分或非规则识别如何影响可行实现。
- 阅读边界
- 仅依据所给 Crossref 摘要；邻域尺度、正则条件和应用结果未说明，局部稳健性不能直接推广到任意误设，也不推断版本变化。
原文摘要
We propose a framework for estimation and inference when the model may be misspecified. We rely on a local asymptotic approach where the degree of misspecification is indexed by the sample size. We construct estimators whose mean squared error is minimax in a neighborhood of the reference model, based on one‐step adjustments. In addition, we provide confidence intervals that contain the true parameter under local misspecification. As a tool to interpret the degree of misspecification, we map it to the local power of a specification test of the reference model. Our approach allows for systematic sensitivity analysis when the parameter of interest may be partially or irregularly identified. As illustrations, we study three applications: an empirical analysis of the impact of conditional cash transfers in Mexico where misspecification stems from the presence of stigma effects of the program, a cross‐sectional binary choice model where the error distribution is misspecified, and a dynamic panel data binary choice model where the number of time periods is small and the distribution of individual effects is misspecified.