Asymptotic equivalence of empirical likelihood and Bayesian MAP
经验似然与贝叶斯最大后验估计的渐近等价性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：摘要研究通用经验似然与贝叶斯估计理论，未给出具体经济计量细分领域的应用依据。
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
经验似然与贝叶斯最大后验估计的渐近等价性
- 研究问题
- 如何在经验似然框架中选择经验差异度量，并为经验似然用于贝叶斯估计提供明确的概率解释？
- 方法与思路
- 作者采用大偏差方法建立贝叶斯大数定律，据此研究模型误设下经验似然与最大后验估计的渐近关系。
- 材料陈述的贡献
- 摘要称经验似然可视为最大后验估计的渐近形式，二者在误设下具有一致性，而其他经验差异估计一般不具该性质。
- 阅读关注点
- 应核对误设下一致性的目标对象、先验与模型空间条件，以及渐近等价的含义和其他差异度量不一致的适用范围。
- 阅读边界
- OpenAlex索引摘要未注明稿件版本；误设下的估计目标和技术条件未说明，不能把一致性解释为恢复任意真实参数。
原文摘要
In this paper we are interested in empirical likelihood (EL) as a method of estimation, and we address the following two problems: (1) selecting among various empirical discrepancies in an EL framework and (2) demonstrating that EL has a well-defined probabilistic interpretation that would justify its use in a Bayesian context. Using the large deviations approach, a Bayesian law of large numbers is developed that implies that EL and the Bayesian maximum a posteriori probability (MAP) estimators are consistent under misspecification and that EL can be viewed as an asymptotic form of MAP. Estimators based on other empirical discrepancies are, in general, inconsistent under misspecification.