Concentrated MCMC estimation
集中化 MCMC 估计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：通用 MCMC 方法本身不限定领域，但摘要明确以中国 A 股收益的网络溢出效应作为应用，支持网络方向。
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…
集中化 MCMC 估计
- 研究问题
- 如何减少 MCMC 需要抽样的参数维度，同时保留目标参数的有效推断，并适用于似然误设和广义矩估计目标函数？
- 方法与思路
- 作者研究集中化 MCMC，以减少抽样维度降低计算和内存需求，建立大样本性质，并用模拟及股票收益网络溢出应用检验表现。
- 材料陈述的贡献
- 摘要称，该方法具有计算优势，模拟中的偏差和均方根误差通常较小或相近，并表现出可靠的模型选择能力。
- 阅读关注点
- 应核对参数集中化的具体步骤、目标参数推断的有效性条件，以及计算比较、模型选择和似然误设实验的设置。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，未核对全文或其他版本；算法条件、误设范围和资源节省数值未说明，优势具有情境限制。
原文摘要
This paper studies a concentrated Markov Chain Monte Carlo (MCMC) estimation method that offers significant computational advantages while delivering valid inference for parameters of interest. By reducing the dimension of parameters to be sampled, this method substantially decreases computational time and memory usage relative to both traditional and some state-of-the-art Bayesian algorithms. Its applicability extends to correctly specified or misspecified likelihood functions, as well as generalized method of moments objective functions. Monte Carlo studies demonstrate that the biases and root mean squared errors of the concentrated MCMC estimators are typically smaller than or comparable to those of conventional Bayesian estimators. Furthermore, this method exhibits reliable model selection performance. We establish the large sample properties of the concentrated MCMC estimator. An empirical application analyzing the network spillover effect of stock returns in the Chinese A-share market further illustrates the advantages of this method.