On Gaussian Process Priors in Conditional Moment Restriction Models
条件矩限制模型中的高斯过程先验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：摘要讨论通用非参数条件矩与准贝叶斯理论，未提供足够信息归入给定的具体经济应用方向。
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
条件矩限制模型中的高斯过程先验
- 研究问题
- 对于由非参数条件矩限制识别的未知函数，采用高斯过程先验进行准贝叶斯估计时，后验收缩与不确定性量化具有何种性质？
- 方法与思路
- 作者推导一类高斯过程先验的准后验收缩率，给出 Bernstein–von Mises 定理成立的条件，并研究最优加权可信集的覆盖性质。
- 材料陈述的贡献
- 摘要称在所给条件下可建立准后验的 Bernstein–von Mises 结果，并由此使最优加权准贝叶斯可信集具有渐近准确的频率学覆盖率。
- 阅读关注点
- 应核对条件矩算子的识别与病态程度、先验和目标函数的限制，以及定理适用于整个函数还是特定泛函、最优权重如何构造。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出收缩率公式或定理条件，渐近覆盖不等于有限样本精确覆盖。
原文摘要
This paper studies quasi Bayesian estimation and uncertainty quantification for an unknown function that is identified by a nonparametric conditional moment restriction. We derive contraction rates for a class of Gaussian process priors. Furthermore, we provide conditions under which a Bernstein von Mises theorem holds for the quasi-posterior distribution. As a consequence, we show that optimally weighted quasi-Bayes credible sets have exact asymptotic frequentist coverage.