Robust Bayesian Method for Refutable Models
可被数据否证模型的稳健贝叶斯方法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：摘要明确以潜在结果框架中的局部平均处理效应作为主要示例。
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
可被数据否证模型的稳健贝叶斯方法
- 研究问题
- 当经济模型的结构假设可能被数据否证时，如何只对某项假设的偏离程度表达先验信念，同时保留其他特征的不确定性？
- 方法与思路
- 作者将结构假设分解，指定需放松的一项及其偏离度函数，再构造共享该偏离度边际分布的先验集合。
- 材料陈述的贡献
- 摘要称多种频率学派的假设放松方法可对应特定稳健贝叶斯先验集合，从而获得贝叶斯解释，并以 LATE 举例。
- 阅读关注点
- 应核对偏离度如何定义、先验集合如何构造，以及频率方法与贝叶斯方法等价的对象、条件和 LATE 示例。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未说明后验集合的计算、等价性具体条件或假设放松的敏感程度。
原文摘要
We propose a robust Bayesian method for economic models that can be rejected by some data distributions. The econometrician starts with a refutable structural assumption which can be written as the intersection of several assumptions. To avoid the assumption refutable, the econometrician first takes a stance on which assumption $j$ will be relaxed and considers a function $m_j$ that measures the deviation from the assumption $j$. She then specifies a set of prior beliefs $Π_s$ whose elements share the same marginal distribution $π_{m_j}$ which measures the likelihood of deviations from assumption $j$. Compared to the standard Bayesian method that specifies a single prior, the robust Bayesian method allows the econometrician to take a stance only on the likeliness of violation of assumption $j$ while leaving other features of the model unspecified. We show that many frequentist approaches to relax refutable assumptions are equivalent to particular choices of robust Bayesian prior sets, and thus we give a Bayesian interpretation to the frequentist methods. We use the local average treatment effect ($LATE$) in the potential outcome framework as the leading illustrating example.