Asymptotic Efficiency in Parametric Structural Models with Parameter-Dependent Support
支持集依赖参数的参数化结构模型中的渐近效率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：题名明确聚焦参数化结构模型，摘要以拍卖和搜寻模型中的参数依赖支持集为研究背景，支持结构估计分类。
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
支持集依赖参数的参数化结构模型中的渐近效率
- 研究问题
- 在观测数据支持集边界随待估参数变化、常规渐近分布理论不适用的结构模型中，怎样构造满足局部渐近极小极大准则的有效点估计？
- 方法与思路
- 作者借助 Le Cam 极限实验框架分析非正规模型，以常见损失函数下的局部渐近极小极大准则比较最大似然估计与贝叶斯估计。
- 材料陈述的贡献
- 摘要称最大似然估计通常不具效率，而贝叶斯估计在所考察的损失函数与局部渐近极小极大准则下有效，并解释这一结果的直觉。
- 阅读关注点
- 阅读时应核对支持集边界的参数化方式、极限实验的构造、允许的损失函数与先验条件，以及最大似然估计通常低效这一结论的适用范围。
- 阅读边界
- 这里的效率依赖具体渐近准则和损失函数；摘要未列出完整模型条件、先验限制或有限样本结果，不能据此认定贝叶斯估计普遍更优。
原文摘要
In certain auction, search, and related models, the boundary of the support of the observed data depends on some of the parameters of interest. For such nonregular models, standard asymptotic distribution theory does not apply. Previous work has focused on characterizing the nonstandard limiting distributions of particular estimators in these models. In contrast, we study the problem of constructing efficient point estimators. We show that the maximum likelihood estimator is generally inefficient, but that the Bayes estimator is efficient according to the local asymptotic minmax criterion for conventional loss functions. We provide intuition for this result using Le Cam's limits of experiments framework. Copyright The Econometric Society 2003.