Identification and Counterfactual Analysis in Incomplete Models with Support and Moment Restrictions
支持集与矩限制下不完全模型的识别和反事实分析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：摘要围绕不完全结构模型的参数识别、支持与矩限制以及反事实分析展开。
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
支持集与矩限制下不完全模型的识别和反事实分析
- 研究问题
- 研究具有支持集与矩限制的不完全模型如何直接识别反事实量，尤其关注传统随机集锐识别条件可能失效的情形。
- 方法与思路
- 作者把反事实限制嵌入扩展结构模型，通过支持函数刻画识别集的矩闭包，并引入要求显式列出支持含义的不可约条件。
- 材料陈述的贡献
- 摘要称结构参数识别与反事实分析具有同构关系，并证明支持函数对矩闭包保持锐性及特定条件下的有限样本不可区分性。
- 阅读关注点
- 应核对矩闭包的精确定义、最小正则条件和不可约条件，以及有限样本不可区分性究竟针对哪些统计观察与检验。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出条件与证明，矩闭包的锐性不等于原识别集的锐性。
原文摘要
This paper develops a unified identification framework for counterfactual analysis in incomplete models characterized by support and moment restrictions. I demonstrate that identifying structural parameters and conducting counterfactual analyses are isomorphic tasks. By embedding counterfactual restrictions within an augmented structural model specification, this approach bypasses the conventional "estimate-then-simulate" workflow and the need to simulate outcomes from models with set predictions. To make this approach operational, I extend sharp identification results for the support-function approach beyond the integrable boundedness condition that is imposed in sharp random-set characterizations but may be violated in economically relevant counterfactual analyses. Under minimal regularity conditions, I prove that the support-function approach remains sharp for the $moment$ $closure$ of the identified set. Furthermore, I introduce an irreducibility condition requiring all support implications to be made explicit. I show that for irreducible models, the identified set and its moment closure are statistically indistinguishable in finite samples. Together, these results justify using support-function methods in counterfactual settings where traditional sharpness fails and clarify the distinct roles of support and moment restrictions in empirical practice.