Misspecification-Averse Estimation
厌恶模型误设的估计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。
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：摘要提供通用似然误设与决策理论框架，未明确涉及因果、面板、时间序列或金融应用，现有细分证据不足。
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
厌恶模型误设的估计
- 研究问题
- 当似然可能误设、研究者对误设风险具有不同偏好时，如何定义最优估计准则，并在含矩约束的局部渐近环境中刻画最优估计量？
- 方法与思路
- 作者借用不确定性决策理论提出受约束乘子准则，研究局部渐近极小极大界，并以平坦先验和指数倾斜似然刻画贝叶斯规则。
- 材料陈述的贡献
- 摘要称，该准则容纳多种既有稳健目标并允许灵活的误设态度，论文给出扩展效率界、渐近最优规则及可行代入估计的最优性。
- 阅读关注点
- 应核对公理与误设偏好的关系、矩约束如何定义局部扰动集合，以及极限实验、损失函数和代入程序满足的条件。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；定理条件、可行程序细节和有限样本表现未说明，最优性依赖所选准则。
原文摘要
We study optimal estimation when the likelihood may be misspecified. Building on tools from the theory of decision-making under uncertainty, we analyze a class of axiomatically grounded optimality criteria which nests several existing misspecification-robust objectives. Within this class, we introduce the constrained multiplier criterion, which allows for flexible misspecification attitudes. We prove a local asymptotic minimax theorem for this criterion, extending a classical efficiency bound to a limit experiment which incorporates moment-constrained misspecification concerns. We characterize asymptotically optimal estimators as Bayes decision rules under a flat prior and an exponentially tilted likelihood that incorporates the moment constraints, and show that feasible plug-in analogs are asymptotically optimal.