On the Informativeness of Descriptive Statistics for Structural Estimates
描述性统计对结构估计的信息含量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：题名和摘要均明确以结构目标量的估计及其模型偏差为对象，描述性统计用于评估结构估计的信息含量，故归入结构估计。
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…
描述性统计对结构估计的信息含量
- 研究问题
- 当读者采用较宽且局部偏离基准的模型时，描述性统计对结构估计有多大信息含量，能降低多少最坏情形下的偏差？
- 方法与思路
- 作者以基准模型下无偏或渐近无偏的结构估计为起点，在读者的局部扩展模型中，比较施加目标量与描述特征关系约束前后的最坏偏差。
- 材料陈述的贡献
- 摘要称，最坏偏差的比例降幅仅取决于所定义的信息含量，且该指标在复杂模型中也易于估计；作者用三篇论文的应用作说明。
- 阅读关注点
- 阅读全文应核对局部偏离的定义、最坏偏差的度量、关系约束的经济含义，以及信息含量的估计方法与三项应用如何对应理论。
- 阅读边界
- 结论针对局部模型扩展与特定关系约束，摘要未说明全局误设或其他偏差来源；高信息含量对具体模型担忧的保障仍需核对。
原文摘要
We propose a way to formalize the relationship between descriptive analysis and structural estimation. A researcher reports an estimate ĉ of a structural quantity of interest c that is exactly or asymptotically unbiased under some base model. The researcher also reports descriptive statistics γ ˆ that estimate features γ of the distribution of the data that are related to c under the base model. A reader entertains a less restrictive model that is local to the base model, under which the estimate ĉ may be biased. We study the reduction in worst‐case bias from a restriction that requires the reader's model to respect the relationship between c and γ specified by the base model. Our main result shows that the proportional reduction in worst‐case bias depends only on a quantity we call the informativeness of γ ˆ for ĉ . Informativeness can be easily estimated even for complex models. We recommend that researchers report estimated informativeness alongside their descriptive analyses, and we illustrate with applications to three recent papers.