Informativeness under Model Uncertainty: Shadow Prices and Ridge Penalties
模型不确定性下的信息量：影子价格与岭惩罚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：摘要核心是通用限制不确定性、约束优化与推断；仅提及 Solow 应用，未说明时间序列、面板或其他指定领域结构。
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
模型不确定性下的信息量：影子价格与岭惩罚
- 研究问题
- 面对多个较弱或含噪的候选限制、理论及控制变量时，如何衡量各限制的信息价值，并进行允许模型误设的推断？
- 方法与思路
- 作者以拉格朗日约束优化统一误设容忍度和影子价格，用 Stein 型风险准则选容忍参数，并依据 KKT 条件去偏。
- 材料陈述的贡献
- 摘要称提出个别影子价格与区分信号噪声的平台规则，建立一致性和渐近正态性，并以模拟及 Solow 模型应用说明。
- 阅读关注点
- 应核对误设程度和影子价格的定义、风险准则的适用条件、平台规则如何实施，以及调参对去偏推断的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体渐近条件，Solow 应用不足以确定更细的宏观计量分类。
原文摘要
We develop inference under model uncertainty due to weak, noisy, multiple candidate restrictions and theories, and nuisance control covariates. A unified framework is given with degrees of misspecification and corresponding shadow prices, based on a Lagrangian constrained optimization approach, and a data$-$driven tolerance parameter selected via a Stein$-$type (shrinkage) risk criterion. A debiasing step is based on Karush$-$Kuhn$-$Tucker conditions. We introduce individual shadow prices (ISP) for different restrictions to measure empirical relevance and propose a plateau rule to separate signal from noise. We establish consistency and asymptotic normality of the estimators and characterize the ISP. Simulations and an application to a Solow growth model illustrate the method$^{\prime}$s practical usefulness.