Robust Minimum Distance Inference in Structural Models
结构模型中的稳健最小距离推断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：摘要明确研究结构参数、校准参数和结构模型中的最小距离推断。
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
结构模型中的稳健最小距离推断
- 研究问题
- 当部分结构性干扰参数缺乏识别，且欠识别程度未知时，如何对目标结构参数或固定校准参数进行有效的最小距离推断？
- 方法与思路
- 作者构造对干扰参数识别不足稳健的最小距离检验，研究权重矩阵选择、可估计自由度的渐近卡方分布及检验功效。
- 材料陈述的贡献
- 摘要称某些权重选择在部分识别下仍产生可估计自由度的卡方极限，程序无需预先知道欠识别程度，并用于货币政策结构模型。
- 阅读关注点
- 应核对目标与干扰参数的识别区别、允许的权重矩阵、自由度估计方式及功效条件，并检查校准参数检验的具体解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未给出完整正则条件；卡方结论仅针对某些权重，不能推广到任意选择。
原文摘要
This paper proposes minimum distance inference for a structural parameter of interest, which is robust to the lack of identification of other structural nuisance parameters. Some choices of the weighting matrix lead to asymptotic chi-squared distributions with degrees of freedom that can be consistently estimated from the data, even under partial identification. In any case, knowledge of the level of under-identification is not required. We study the power of our robust test. Several examples show the wide applicability of the procedure and a Monte Carlo investigates its finite sample performance. Our identification-robust inference method can be applied to make inferences on both calibrated (fixed) parameters and any other structural parameter of interest. We illustrate the method's usefulness by applying it to a structural model on the non-neutrality of monetary policy, as in \cite{nakamura2018high}, where we empirically evaluate the validity of the calibrated parameters and we carry out robust inference on the slope of the Phillips curve and the information effect.