Penalized estimation of finite mixture models
有限混合模型的惩罚估计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：摘要核心是一般有限混合模型的阶数选择与估计；协调博弈理性层级应用未提供足够细节以确定所列领域细分。
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
有限混合模型的惩罚估计
- 研究问题
- 有限混合模型的成分数量未知，且过多成分导致参数缺乏点识别时，如何同时选择成分数并有效估计模型参数？
- 方法与思路
- 作者提出惩罚似然方法，构造阶数选择一致估计量，并将分析扩展到非点识别模型及混合成分数量随样本增长的情形。
- 材料陈述的贡献
- 摘要称该估计量能够一致选择真实成分数并达到预言效率，并通过协调博弈中参与者理性层级的估计展示应用。
- 阅读关注点
- 应核对惩罚项形式与选择规则、成分可区分的条件，以及成分数量增长时阶数一致性和预言效率的适用范围。
- 阅读边界
- 仅据所给出版社摘要，不能判断近似重合成分或模型误设下的表现；惩罚参数、优化实现和具体有限样本结果未说明。
原文摘要
Economists often model unobserved heterogeneity using finite mixtures. In practice, the number of mixture components is rarely known. Model parameters lack point-identification if the estimation includes too many components, thus invalidating the classic properties of maximum likelihood estimation. I propose a penalized likelihood method to estimate finite mixtures with an unknown number of components. The resulting Order-Selection-Consistent Estimator (OSCE) consistently estimates the true number of components and achieves oracle efficiency. This paper extends penalized estimation to models without point-identification and to mixtures with growing number of components. I apply the OSCE to estimate players’ rationality levels in a coordination game.