An MCMC Approach to Classical Estimation
通过 MCMC 实现经典估计的方法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：摘要明确将删失与工具变量分位数模型、风险价值模型列为方法应用。
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
通过 MCMC 实现经典估计的方法
- 研究问题
- 对广义矩、非线性工具变量、经验似然及最小距离等准则，能否借助模拟构造经典极值估计的替代方案，并建立相应的大样本理论？
- 方法与思路
- 作者将一般统计准则转换为拟后验分布，以其均值或分位数构造 Laplace 型估计量，并使用 MCMC 计算这些统计量。
- 材料陈述的贡献
- 摘要称，方法为若干半参数问题提供替代估计途径，有助于缓解高维计算困难，并在正则情形下建立大样本理论。
- 阅读关注点
- 应核对准则变换、拟后验尺度和估计量定义，正则情形的条件，以及 MCMC 误差如何影响推断和实际计算成本。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明模拟收敛与具体理论条件，不能保证所有非凸或高维问题都易于计算。
原文摘要
This paper studies computationally and theoretically attractive estimators called the Laplace type estimators (LTE), which include means and quantiles of Quasi-posterior distributions defined as transformations of general (non-likelihood-based) statistical criterion functions, such as those in GMM, nonlinear IV, empirical likelihood, and minimum distance methods. The approach generates an alternative to classical extremum estimation and also falls outside the parametric Bayesian approach. For example, it offers a new attractive estimation method for such important semi-parametric problems as censored and instrumental quantile, nonlinear GMM and value-at-risk models. The LTE's are computed using Markov Chain Monte Carlo methods, which help circumvent the computational curse of dimensionality. A large sample theory is obtained for regular cases.