Semiparametric Bayesian Inference for a Conditional Moment Equality Model
条件矩等式模型的半参数贝叶斯推断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：摘要以条件矩限制确定结构参数，并将方法用于福利效应估计，直接涉及结构估计。
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
条件矩等式模型的半参数贝叶斯推断
- 研究问题
- 如何直接利用条件矩等式，将数据条件分布的后验转化为结构参数后验，并获得具有频率学效率依据的推断？
- 方法与思路
- 作者对数据的条件分布建立后验，通过最小化条件矩偏离零的距离映射到结构参数，并针对高斯过程先验验证渐近条件。
- 材料陈述的贡献
- 摘要称该方法无需将条件矩转为无条件矩，并建立半参数 BvM 定理，使参数后验渐近正态且达到所述半参数效率界。
- 阅读关注点
- 应核对条件分布到结构参数映射的唯一性、距离准则、先验与收缩条件，以及福利效应应用如何满足定理要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核验；摘要未说明具体识别条件、证明细节和福利效应估计结果。
原文摘要
I propose a semiparametric Bayesian inference framework for conditional moment equalities. The core idea is that these models deterministically map a conditional distribution of data to a structural parameter via the restriction that a conditional expectation equals zero. Consequently, a posterior for the conditional distribution leads to a posterior for the structural parameter by minimizing the distance of the conditional moments to zero. The method has similar flexibility to frequentist semiparametric estimators and does not require converting the conditional moments into unconditional moments. I also establish frequentist asymptotic optimality of my proposal via a semiparametric Bernsteinvon Mises theorem (BvM), which establishes that the posterior for the structural parameter is asymptotically normal and matches the Chamberlain (1987) semiparametric efficiency bound. The BvM conditions are verified for Gaussian process priors and complement the numerical aspects of the paper in which these priors are used to estimate welfare effects.