Generalized Bayes in Conditional Moment Restriction Models
条件矩限制模型中的广义贝叶斯方法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：摘要明确以条件矩限制估计含内生变量的非参数结构函数，并应用于企业生产函数。
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广义贝叶斯方法
- 研究问题
- 在由条件矩限制刻画、结构函数包含内生变量的非参数模型中，如何构建贝叶斯式估计，并使可信集具有有效的频率学覆盖？
- 方法与思路
- 作者建立广义准贝叶斯框架，对一类高斯过程先验推导后验收缩速度，并给出 Bernstein–von Mises 定理成立的条件。
- 材料陈述的贡献
- 摘要称最优加权的准贝叶斯可信集可获得精确的渐近频率学覆盖，将参数 GMM 的经典结果拓展至该框架，并应用于企业生产函数。
- 阅读关注点
- 应核对条件矩如何识别结构函数、先验与加权方式的限制，以及后验收缩和正态近似针对何种对象、可信集覆盖结论的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出识别及正则条件，也未提供模拟比较或智利企业应用的具体数值。
原文摘要
This paper develops a generalized (quasi-) Bayes framework for conditional moment restriction models, where the parameter of interest is a nonparametric structural function of endogenous variables. We establish contraction rates for a class of Gaussian process priors and provide conditions under which a Bernstein-von Mises theorem holds for the quasi-Bayes posterior. Consequently, we show that optimally weighted quasi-Bayes credible sets achieve exact asymptotic frequentist coverage, extending classical results for parametric GMM models. As an application, we estimate firm-level production functions using Chilean plant-level data. Simulations illustrate the favorable performance of generalized Bayes estimators relative to common alternatives.