When "Normalization Without Loss of Generality" Loses Generality
当“无损一般性的规范化”损失一般性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。
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：摘要明确列出离散选择、需求估计与网络形成应用，并讨论模型反事实参数，支持这三个细分方向。
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
当“无损一般性的规范化”损失一般性
- 研究问题
- 经济模型中的规范化何时只是等价参数的表示选择，何时会改变反事实识别，并在边界或坐标奇点处影响估计与推断？
- 方法与思路
- 作者以建模等价类定义规范化，考察反事实参数在等价类上的恒定性，再分析边界扩展三难困境和规范化产生的坐标奇点。
- 材料陈述的贡献
- 摘要提出反事实参数不依赖规范化的充要判据，并称边界处忠实性、不变性与正则性不能兼得；应用涉及选择、需求和网络形成。
- 阅读关注点
- 应核对建模等价的定义与反事实判据证明，区分模型识别和规范化赋予的点识别，并检查三难结论及各应用的适用条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未提供等价关系、奇点条件或应用推导，不能将结论扩展为所有规范化均有问题。
原文摘要
Normalization is ubiquitous in economics, and a growing literature shows that ``normalizations'' can matter for interpretation, counterfactual analysis, misspecification, and inference. This paper provides a general framework for these issues, based on the formalized notion of modeling equivalence that partitions the space of unknowns into equivalence classes, and defines normalization as a WLOG selection of one representative from each class. A counterfactual parameter is normalization-free if and only if it is constant on equivalence classes; otherwise any point identification is created by the normalization rather than by the model. Applications to discrete choice, demand estimation, and network formation illustrate the insights made explicit through this criterion. We then study two further sources of fragility: an extension trilemma establishes that fidelity, invariance, and regularity cannot simultaneously hold at a boundary singularity, while a normalization can itself introduce a coordinate singularity that distorts the topological and metric structures of the parameter space, with consequences for estimation and inference.