Implementation of Estimating Function-Based Inference Procedures With Markov Chain Monte Carlo Samplers
利用 MCMC 实现基于估计函数的推断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。
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：摘要讨论一般非光滑估计函数的计算与分布近似，未提供具体经济计量对象，不能仅凭估计和推断术语归入某一细分领域。
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 MCMC 实现基于估计函数的推断
- 研究问题
- 半参数或非参数分析中，非光滑估计方程及其重抽样版本可能难以求解，如何近似估计量分布并处理可能存在的多个根？
- 方法与思路
- 作者提出通过标准 MCMC 抽样器获得分布近似的程序，无需求解估计方程，并进一步讨论定位多个根及近似各根的分布。
- 材料陈述的贡献
- 摘要称程序简单灵活，可在不解方程的情况下开展估计函数推断；作者用三个例子和模拟研究展示并评估其表现。
- 阅读关注点
- 阅读全文时应核对 MCMC 的目标分布、分布近似的理论依据，以及多个根的定位、区分和抽样收敛如何得到保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明抽样器构造、近似误差或多根处理条件，不能认定程序必然找到全部根。
原文摘要
Under a semiparametric or nonparametric setting, inferences about the unknown parameter are often made based on a nonsmooth estimating function. Resampling methods are quite handy for obtaining good approximations to the distribution of the consistent estimator when the estimating equation and its resampled counterparts are not difficult to solve numerically. In this article we propose a simple, flexible procedure that provides such approximations through the standard Markov chain Monte Carlo sampler without solving any equations. More generally, the procedure may locate all possible roots of the estimating equation and provides an approximation to the distribution of each root. We illustrate our proposed procedure extensively with three examples and evaluate its performance comprehensively through a simulation study.