How should parameter estimation be tailored to the objective?
参数估计应如何适配使用目标？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：摘要研究面向另一份数据的通用目标适配估计，预测仅为例子，未明确限定宏观或金融预测领域。
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…
参数估计应如何适配使用目标？
- 研究问题
- 当估计的目的在于提高另一份样本上的期望评价准则时，直接最大化训练样本准则是否有效，模型误设又如何影响目标适配？
- 方法与思路
- 作者比较直接最大化原评价准则的估计与结合似然构造修正准则的估计，分析渐近效率及依赖真实模型的参数变换。
- 材料陈述的贡献
- 摘要称渐近有效估计需使用似然与目标准则共同定义的修正；误设既可能损害效率，也可能使所需参数映射发生错误。
- 阅读关注点
- 应核对两个样本之间的关系、评价准则对应的效率定义，以及参数变换为何依赖真实模型、误设时会如何偏离使用目标。
- 阅读边界
- 仅据所给出版社摘要，无法判断哪些目标或误设情形适用该结论；摘要未说明完整效率条件、比较数值或后续版本变化。
原文摘要
We study parameter estimation from the sample X, when the objective is to maximize the expected value of a criterion function, Q, for a distinct sample, Y. This is the situation that arises when a model is estimated for the purpose of describing other data than those used for estimation, such as in forecasting problems. A natural candidate for solving maxT∈σ(X)EQ(Y,T) is the innate estimator, θˆ=argmaxθQ(X,θ). While the innate estimator has certain advantages, we show that the asymptotically efficient estimator takes the form θ̃=argmaxθQ̃(X,θ), where Q̃ is defined from a likelihood function in conjunction with Q. The likelihood-based estimator is, however, fragile, as misspecification is harmful in two ways. First, the likelihood-based estimator may be inefficient under misspecification. Second, and more importantly, the likelihood approach requires a parameter transformation that depends on the true model, causing an improper mapping to be used under misspecification.