An Adversarial Approach to Identification, Computation, and Inference in Models with a Linear-in-Measures Representation
测度线性表示模型中识别、计算与推断的对抗方法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：摘要明确涉及结构和反事实参数识别，并将框架应用于含固定效应的二元选择面板模型。
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
测度线性表示模型中识别、计算与推断的对抗方法
- 研究问题
- 当模型限制与输出分布均可写为联合概率测度的线性映射时，如何刻画结构及反事实参数的识别集合并开展可计算推断？
- 方法与思路
- 作者构造以零点刻画识别集合的对抗差异函数；在输出支持有限时用线性规划计算或界定该函数，并采用惩罚自助法推断。
- 材料陈述的贡献
- 摘要称，该框架处理了固定效应二元选择面板中的两类开放情形，并在多重均衡进入博弈中恢复已知的尖锐识别区域。
- 阅读关注点
- 应核对测度线性表示的适用范围、有限规划给出精确值或界的条件，以及一致逐点覆盖与整个识别集合覆盖之间的区别。
- 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；摘要未给出表示条件与惩罚细节，逐点覆盖不能直接理解为同时覆盖。
原文摘要
We develop a framework for identification, computation, and inference in econometric models with a linear-in-measures representation. These models express maintained restrictions as moment conditions linear in the joint probability measure of observed and latent inputs, and map that measure linearly to the distribution of outputs, even with nonlinear outcome equations. We construct an adversarial discrepancy function whose zeros characterize the identified set for structural and counterfactual parameters. With finite output support, finite linear programs compute the discrepancy function or provide certified bounds even when latent inputs have infinite support, and a penalized bootstrap yields confidence sets with uniform per-point coverage. We apply the framework to two open cases in binary choice panels with fixed effects and discrete covariates: sequential exogeneity with unspecified conditional marginal error distributions, and known conditional marginal error distributions with unrestricted serial dependence. In an entry game with multiple equilibria, the framework recovers the known sharp identification region.