Approximate Maximum Likelihood for Complex Structural Models
复杂结构模型的近似极大似然估计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。
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：摘要直接研究复杂参数结构模型的模拟估计、识别及相对极大似然的效率。
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…
复杂结构模型的近似极大似然估计
- 研究问题
- 当复杂参数结构模型的似然难以计算时，如何保留间接推断的简约性，同时获得接近极大似然的统计效率？
- 方法与思路
- 作者提出基于受约束结构模型近似的模拟估计方法，利用该近似实现识别，并通过多个例子考察接近极大似然的效率。
- 材料陈述的贡献
- 摘要称新方法可保持间接推断的简约性，在一些情形下接近极大似然效率，并能用于极大似然不可行的模型。
- 阅读关注点
- 应核对约束近似如何保证识别、近似与模拟误差如何影响效率，以及接近极大似然的条件和模型误设下的表现。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列具体约束、效率界或误设稳健性保证。
原文摘要
Indirect Inference (I-I) is a popular technique for estimating complex parametric models whose likelihood function is intractable, however, the statistical efficiency of I-I estimation is questionable. While the efficient method of moments, Gallant and Tauchen (1996), promises efficiency, the price to pay for this efficiency is a loss of parsimony and thereby a potential lack of robustness to model misspecification. This stands in contrast to simpler I-I estimation strategies, which are known to display less sensitivity to model misspecification precisely due to their focus on specific elements of the underlying structural model. In this research, we propose a new simulation-based approach that maintains the parsimony of I-I estimation, which is often critical in empirical applications, but can also deliver estimators that are nearly as efficient as maximum likelihood. This new approach is based on using a constrained approximation to the structural model, which ensures identification and can deliver estimators that are nearly efficient. We demonstrate this approach through several examples, and show that this approach can deliver estimators that are nearly as efficient as maximum likelihood, when feasible, but can be employed in many situations where maximum likelihood is infeasible.