Information Based Inference in Models with Set-Valued Predictions and Misspecification
集合值预测与模型误设下的信息推断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：摘要讨论不完全模型、部分识别参数与集合值预测，属于结构估计中部分识别与推断的范畴。
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
集合值预测与模型误设下的信息推断
- 研究问题
- 在不完全模型中，当模型可能被误设时，如何对部分识别参数进行有效推断，是摘要关注的核心问题。
- 方法与思路
- 作者提出基于信息准则的推断方法，通过最小化一个考虑模型不完全性的Kullback-Leibler信息准则，得到非空伪真集，并利用Rao得分统计量进行推断。
- 材料陈述的贡献
- 摘要称该方法在模型正确设定与误设下均有效，计算可行，两种情形实现方式相同，能利用离散与连续协变量的全部信息，且得分统计量渐近枢轴。
- 阅读关注点
- 应核对伪真集的定义与存在性条件、KL准则的具体构造、渐近枢轴性所需的识别与正则假设，以及误设下推断的覆盖性质。
- 阅读边界
- 摘要未说明具体数据、模拟结果、有限样本表现、与既有部分识别推断方法的比较，也未给出定理的完整假设与证明细节。
原文摘要
This paper proposes an information-based inference method for partially identified parameters in incomplete models that is valid both when the model is correctly specified and when it is misspecified. Key features of the method are: (i) it is based on minimizing a suitably defined Kullback-Leibler information criterion that accounts for incompleteness of the model and delivers a non-empty pseudotrue set; (ii) it is computationally tractable; (iii) its implementation is the same for both correctly and incorrectly specified models; (iv) it exploits all information provided by variation in discrete and continuous covariates; (v) it relies on Rao’s score statistic, which is shown to be asymptotically pivotal.