Penalized indirect inference
惩罚化间接推断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。
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：摘要明确提出结构经济模型的惩罚化间接推断，符合结构估计方法分类；虽有宏观模型应用，但不足以归入特定宏观细分。
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
惩罚化间接推断
- 研究问题
- 研究如何在频率学派结构模型估计中，通过惩罚函数约束参数结果，使估计更符合经济含义，并处理误设与弱识别问题。
- 方法与思路
- 作者在间接推断中加入惩罚项，分析正确设定、错误设定以及强弱识别下的渐近性质，再用模拟和动态随机一般均衡模型应用检验。
- 材料陈述的贡献
- 摘要称，论文建立多种设定下的渐近性质，展示惩罚函数如何塑造估计量的有限样本分布，并在结构宏观模型应用中说明优势。
- 阅读关注点
- 应核对惩罚函数及其权重如何设定、经济限制如何进入目标函数，以及误设和弱识别下的估计对象与渐近结论。
- 阅读边界
- 仅据所给出版社摘要，无法判断惩罚带来的偏差与精度权衡，或经济限制是否合理；具体渐近条件和应用改善幅度未说明。
原文摘要
Parameter estimates of structural economic models are often difficult to interpret at the light of the underlying economic theory. Bayesian methods have become increasingly popular as a tool for conducting inference on structural models since priors offer a way to exert control over the estimation results. Similarly to Bayesian estimation, this paper proposes a penalized indirect inference estimator that allows researchers to obtain economically meaningful parameter estimates in a frequentist setting. The asymptotic properties of the estimator are established for both correctly and incorrectly specified models, as well as under strong and weak parameter identification. A Monte Carlo study reveals the role of the penalty function in shaping the finite sample distribution of the estimator. The advantages of using this estimator are highlighted in the empirical study of a state-of-the-art dynamic stochastic general equilibrium model.