EL inference for partially identified models: Large deviations optimality and bootstrap validity
部分识别模型的经验似然推断：大偏差最优性与自助法有效性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：摘要讨论一般矩不等式与部分识别推断，没有明确因果、结构或其他所列应用方向。
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
部分识别模型的经验似然推断：大偏差最优性与自助法有效性
- 研究问题
- 对矩不等式模型中的部分识别参数，如何按明确准则选择推断程序，并解决非枢轴极限分布带来的实现困难？
- 方法与思路
- 作者以大偏差准则分析经验似然比推断的最优性，提出新的经验似然自助法，并通过蒙特卡洛研究有限样本性质。
- 材料陈述的贡献
- 摘要称经验似然比推断在所用大偏差准则下最优，新自助法对矩不等式模型有效，模拟结果具有积极表现。
- 阅读关注点
- 应核对大偏差最优性的比较范围、自助重抽样机制、矩不等式边界的处理，以及有效性是否具有一致性保证。
- 阅读边界
- 所列出版社摘要未提供有效性的具体条件或模拟数值；“结果积极”不能替代对覆盖率、功效和实现成本的评估。
原文摘要
This paper addresses the issue of optimal inference for parameters that are partially identified in models with moment inequalities. There currently exists a variety of inferential methods for use in this setting. However, the question of choosing optimally among contending procedures is unresolved. In this paper, I first consider a canonical large deviations criterion for optimality and show that inference based on the empirical likelihood ratio statistic is optimal. Second, I introduce a new empirical likelihood bootstrap that provides a valid resampling method for moment inequality models and overcomes the implementation challenges that arise as a result of non-pivotal limit distributions. Lastly, I analyze the finite sample properties of the proposed framework using Monte Carlo simulations. The simulation results are encouraging.