You've Got to be Efficient: Ambiguity, Misspecification and Variational Preferences
必须追求效率：模糊性、模型误设与变分偏好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：摘要核心是一般统计决策与误设理论，虽涉及处理分配，但未具体说明因果识别或所列领域模型。
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
必须追求效率：模糊性、模型误设与变分偏好
- 研究问题
- 当先验存在模糊性且似然可能误设时，如何定义最优统计决策，并判断这种不确定性是否改变估计和处理分配决策？
- 方法与思路
- 作者以所有先验构成模糊性集合，再用 KL 半径扩展似然误设范围，将最优决策表示为指数倾斜损失下的极小极大问题。
- 材料陈述的贡献
- 摘要称，该框架分离先验模糊性与似然误设，并在所研究的估计和处理分配问题中得到与正确设定相同的最优决策。
- 阅读关注点
- 应核对损失函数、模糊性集合与局部化方式，以及最优决策等价结论的条件，特别检查对最大似然和高效 GMM 建议的范围。
- 阅读边界
- 本资料为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明关键条件，作者的估计方法建议不能视为普遍适用的结论。
原文摘要
This article introduces a framework for evaluating statistical decisions under both prior ambiguity and likelihood misspecification. We begin with an ambiguity set - a frequentist model that pairs a possibly misspecified likelihood with every possible prior - and uniformly expand it by a Kullback-Leibler radius to accommodate likelihood misspecification. We show that optimal decisions under this framework are equivalent to minimax decisions with an exponentially tilted loss function. Misspecification manifests as an exponential tilting of the loss, while ambiguity corresponds to a search for the least favorable prior. This separation between ambiguity and misspecification enables local asymptotic analysis under global misspecification, achieved by localizing the priors alone. Remarkably, for both estimation and treatment assignment, we show that optimal decisions coincide with those under correct specification, regardless of the degree of misspecification. These results extend to semi-parametric models. As a practical consequence, our findings imply that practitioners should prefer maximum likelihood over the simulated method of moments, and efficient GMM estimators - such as two-step GMM - over diagonally weighted alternatives.