Quasi-Bayesian Hierarchical Models
准贝叶斯层次模型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：摘要核心是通用分组 GMM、层次汇集与弱识别理论，微型企业应用未明确具体计量设计，不足以指定所列领域细分。
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
准贝叶斯层次模型
- 研究问题
- 在分组 GMM 中，如何保留各组目标函数并汇集经济上可比较的参数，同时处理强识别、弱识别及组内混合识别情形？
- 方法与思路
- 作者结合贝叶斯层次建模与拉普拉斯型估计，通过上层汇集关系构造准后验均值，并在弱 GMM 极限实验中分析其性质。
- 材料陈述的贡献
- 摘要称，固定研究数下强识别参数与 GMM 渐近分布相同；弱识别极限中获得平方损失下的贝叶斯解释，适当权衡时可降低逐点均方误差。
- 阅读关注点
- 应核对参数可比较性与汇集关系、层次先验的设定、强弱识别渐近框架，以及均方误差下降需要怎样的偏差和方差权衡。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要并未声称汇集普遍改善风险，逐点均方误差收益和决策论解释均有条件。
原文摘要
We develop the Quasi-Bayesian Hierarchical Model (QBHM) for grouped GMM settings. The framework combines Bayesian hierarchical modelling with Laplace-type estimation: it preserves each group-specific objective function, while introducing a pooling term for economically comparable parameters. When the number of studies is fixed, the QBHM estimator-the quasi-posterior mean-has the same asymptotic distribution as GMM when estimating strongly identified study parameters. For weakly identified studies, we analyze the asymptotic properties of the method via a weak-GMM limit experiment: an asymptotic approximation in which the sample-moment criterion remains a random function over the weak parameter space, and the upper-level pooling relation induces a family of priors over weak values. In this experiment, the weak-limit QBHM rule is a Bayes rule under squared loss for the hierarchy-induced weak-limit prior, which provides a decision-theoretic justification for our procedure. We also extend our results to mixed within-study blocks, allowing a single study to contain both strongly and weakly identified parameters. Pooling can also reduce the pointwise asymptotic mean squared error (MSE) relative to unpooled estimation when the bias--variance tradeoff is favorable. Gaussian likelihood, nonlinear weak-GMM, and weak-IV calculations show when this happens, while simulations and a microenterprise application illustrate the method.