Constrained estimation using penalization and MCMC
利用惩罚与 MCMC 的约束估计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：摘要明确给出 CRRA 资产定价模型下消费与资产收益联合密度的欧拉方程约束应用。
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…
利用惩罚与 MCMC 的约束估计
- 研究问题
- 对于参数受一般非线性约束的极值或拉普拉斯型估计，能否通过惩罚后的 MCMC 简化计算并构造有效置信区间？
- 方法与思路
- 作者对约束问题施加非自适应或自适应的 ℓp 惩罚，通过 MCMC 实施推断，并分析可信区间对参数函数的渐近覆盖。
- 材料陈述的贡献
- 摘要称，可信区间具有逐点渐近正确覆盖，方法包含若干选择与收缩方法，并应用于受 CRRA 欧拉方程约束的联合密度估计。
- 阅读关注点
- 应核对惩罚强度与样本量的关系、约束边界处理及 MCMC 实施，并区分逐点覆盖与一致覆盖的理论范围。
- 阅读边界
- 出版社摘要未说明完整正则条件、模拟数值或收敛诊断；逐点渐近覆盖不能直接解释为有限样本或参数空间上一致有效。
原文摘要
We study inference for parameters defined by either classical extremum estimators or Laplace-type estimators subject to general nonlinear constraints on the parameters. We show that running MCMC on the penalized version of the problem offers a computationally attractive alternative to solving the original constrained optimization problem. Bayesian credible intervals are asymptotically valid confidence intervals in a pointwise sense, providing exact asymptotic coverage for general functions of the parameters. We allow for nonadaptive and adaptive penalizations using the ℓp for p⩾1 penalty functions. These methods are motivated by and include as special cases model selection and shrinkage methods such as the LASSO and its Bayesian and adaptive versions. A simulation study validates the theoretical results. We also provide an empirical application on estimating the joint density of U.S. real consumption and asset returns subject to Euler equation constraints in a CRRA asset pricing model.