Bias-Reduced Estimation of Finite Mixtures: An Application to Latent Group Structures in Panel Data
有限混合模型的偏差缩减估计及面板潜在组结构应用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：摘要明确将有限混合估计方法应用于面板数据的潜在组结构。
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
有限混合模型的偏差缩减估计及面板潜在组结构应用
- 研究问题
- 有限混合模型的最大似然估计为何会出现明显有限样本偏差，混合成分重叠和异常值如何影响偏差，分类能否改善估计？
- 方法与思路
- 作者分析参数密度混合中的偏差来源，以一致分类器配合分类混合似然估计，推导渐近分布及达到预言机效率的条件。
- 材料陈述的贡献
- 摘要称，新策略在模拟中通常降低偏差和均方误差；健康行政数据的潜在组面板应用中，样本外预测误差较最佳标准 MLE 降低约百分之十七点六。
- 阅读关注点
- 应核对分类器一致性要求、混合成分分离程度、预言机效率条件，以及面板应用中预测误差比较所用的数据划分和基准选择。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未给出正则条件和分类实现细节，应用中的预测改进不能直接推广至所有混合模型。
原文摘要
Finite mixture models are widely used in econometric analyses to capture unobserved heterogeneity. This paper shows that maximum likelihood estimation of finite mixtures of parametric densities can suffer from substantial finite-sample bias in all parameters under mild regularity conditions. The bias arises from the influence of outliers in component densities with unbounded or large support and increases with the degree of overlap among mixture components. I show that maximizing the classification-mixture likelihood function, equipped with a consistent classifier, yields parameter estimates that are less biased than those obtained by standard maximum likelihood estimation (MLE). I then derive the asymptotic distribution of the resulting estimator and provide conditions under which oracle efficiency is achieved. Monte Carlo simulations show that conventional mixture MLE exhibits pronounced finite-sample bias, which diminishes as the sample size or the statistical distance between component densities tends to infinity. The simulations further show that the proposed estimation strategy generally outperforms standard MLE in finite samples in terms of both bias and mean squared errors under relatively weak assumptions. An empirical application to latent group panel structures using health administrative data shows that the proposed approach reduces out-of-sample prediction error by approximately 17.6% relative to the best results obtained from standard MLE procedures.