An MCMC approach to classical estimation
经典估计的 MCMC 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。
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：摘要明确列举删失与工具分位数及风险价值模型作为方法应用，因此选分位数与尾部风险；不将通用 MCMC 理论泛化分类。
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
经典估计的 MCMC 方法
- 研究问题
- 如何把一般非似然统计准则转化为准后验分布，并利用其均值或分位数进行经典估计，以缓解高维极值优化的计算困难？
- 方法与思路
- 作者将 GMM、非线性 IV 等准则转化为准后验，以 MCMC 计算其均值和分位数形成 Laplace 型估计，并建立常规情形的大样本理论。
- 材料陈述的贡献
- 摘要称，该方法提供经典极值估计的替代路径，可用于删失和工具分位数、非线性 GMM 及风险价值模型，并有助于缓解维度困难。
- 阅读关注点
- 应核对准后验的构造、常规性条件、估计与推断的对应关系，以及 MCMC 收敛诊断和计算误差如何影响统计结论。
- 阅读边界
- 这是 arXiv 预印本版本摘要，不能据此声称已同行评审或期刊接收；摘要未说明完整条件、链的混合表现或后续刊本变化。
原文摘要
This paper studies computationally and theoretically attractive estimators called the Laplace type estimators (LTE), which include means and quantiles of Quasi-posterior distributions defined as transformations of general (non-likelihood-based) statistical criterion functions, such as those in GMM, nonlinear IV, empirical likelihood, and minimum distance methods. The approach generates an alternative to classical extremum estimation and also falls outside the parametric Bayesian approach. For example, it offers a new attractive estimation method for such important semi-parametric problems as censored and instrumental quantile, nonlinear GMM and value-at-risk models. The LTE's are computed using Markov Chain Monte Carlo methods, which help circumvent the computational curse of dimensionality. A large sample theory is obtained for regular cases.