Distribution-Matching Posterior Inference for Incomplete Structural Models
不完全结构模型的分布匹配后验推断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：摘要的核心是结构参数与理论矩分布的联合后验推断，方法上直接对应结构估计。
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
不完全结构模型的分布匹配后验推断
- 研究问题
- 当结构模型不完全、可能误设或具有随机奇异性时，如何利用理论与经验总体矩的分布构造后验，并保持模型与矩信息之间的一致性？
- 方法与思路
- 作者扩展最小计量解释，用 Jensen–Shannon 散度和带加性平滑的 Dirichlet–multinomial 结构构造准似然，再以序贯蒙特卡洛联合抽样。
- 材料陈述的贡献
- 摘要称方法通过降低不符合结构模型的矩分布权重改善分布匹配；新凯恩斯模型实验及美国应用展示稳健性和简约模型的拟合表现。
- 阅读关注点
- 应核对准似然的统计解释、矩分布的构造、平滑及先验敏感性，以及随机奇异性下的参数识别和不同模型拟合比较的标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明后验校准、稳健性的范围或拟合数值，不能据此确认普遍优势。
原文摘要
This paper introduces a Bayesian inference framework for incomplete structural models, termed distribution-matching posterior inference (DMPI). Extending the minimal econometric interpretation (MEI), DMPI constructs a divergence-based quasi-likelihood using the Jensen-Shannon divergence between theoretical and empirical population-moment distributions, based on a Dirichlet-multinomial structure with additive smoothing. The framework accommodates model misspecification and stochastic singularity. Posterior inference is implemented via a sequential Monte Carlo algorithm with Metropolis-Hastings mutation that jointly samples structural parameters and theoretical moment distributions. Monte Carlo experiments using misspecified New Keynesian (NK) models demonstrate that DMPI yields robust inference and improves distribution-matching coherence by probabilistically down-weighting moment distributions inconsistent with the structural model. An empirical application to U.S. data shows that a parsimonious stochastic singular NK model provides a better fit to business-cycle moments than an overparameterized full-rank counterpart.