Likelihood estimation and inference in threshold regression
门槛回归中的似然估计与推断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。
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：摘要讨论独立同分布数据下的通用门槛回归理论，未提供所列领域细分的直接应用依据。
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
门槛回归中的似然估计与推断
- 研究问题
- 在独立同分布数据的参数化不连续门槛回归中，如何估计门槛并构造区间，尤其是在均值和方差均存在门槛效应时？
- 方法与思路
- 作者将门槛解释为门槛变量的内部边界，比较贝叶斯与两类最大似然估计，并开发计算门槛极限分布和风险的算法。
- 材料陈述的贡献
- 摘要称，贝叶斯估计在局部渐近极小极大意义下有效，门槛估计优于所比较的最大似然方法，后验区间渐近有效。
- 阅读关注点
- 应核对损失函数、先验与正则条件，以及效率比较和后验区间有效性的准确含义，检查有限样本长度与覆盖率证据。
- 阅读边界
- 仅据所给出版社摘要，无法确定定理条件或效率差距；文中采用独立同分布数据，不能直接推广到时间序列门槛模型。
原文摘要
This paper studies likelihood-based estimation and inference in parametric discontinuous threshold regression models with i.i.d. data. The setup allows heteroskedasticity and threshold effects in both mean and variance. By interpreting the threshold point as a “middle” boundary of the threshold variable, we find that the Bayes estimator is asymptotically efficient among all estimators in the locally asymptotically minimax sense. In particular, the Bayes estimator of the threshold point is asymptotically strictly more efficient than the left-endpoint maximum likelihood estimator and the newly proposed middle-point maximum likelihood estimator. Algorithms are developed to calculate asymptotic distributions and risk for the estimators of the threshold point. The posterior interval is proved to be an asymptotically valid confidence interval and is attractive in both length and coverage in finite samples.