Econometric applications of maxmin expected utility
最大最小期望效用的计量经济学应用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：摘要明确将决策算法应用于自回归随机效应面板估计，所述最小最大风险并非尾部或系统性风险。
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
最大最小期望效用的计量经济学应用
- 研究问题
- 面对一组可能的数据与收益分布，如何选择最大化最差期望效用的决策规则，并计算相应最小最大风险及其界限？
- 方法与思路
- 作者对有限分布集合提出算法，通过凹规划寻找最不利混合分布，以其贝叶斯规则构造最小最大规则，并应用于自回归随机效应面板。
- 材料陈述的贡献
- 摘要称算法给出有限分布集合上的决策规则，并讨论更大集合的风险上下界计算，将最大最小效用框架用于面板估计问题。
- 阅读关注点
- 应核对分布集合的构造、效用与风险的对应关系、最不利混合分布的求解，以及上下界有效性和面板应用的具体设定。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断算法对无限分布集合的适用性、界限紧度或计算成本；投资组合讨论也未报告实证收益表现。
原文摘要
Abstract Gilboa and Schmeidler (1989) develop a set of axioms for decision making under uncertainty. The axioms imply a utility function and a set of distributions such that the preference ordering is obtained by calculating expected utility with respect to each distribution in the set, and then taking the minimum of expected utility over the set. In a portfolio choice problem, the distributions are joint distributions for the data that will be available when the choice is made and for the future returns that will determine the value of the portfolio. The set of distributions could be generated by combining a parametric model with a set of prior distributions. We apply this framework to obtain a preference ordering over decision rules, which map the data into a choice. We seek a decision rule that maximizes the minimum expected utility (or, equivalently, minimizes maximum risk) over the set of distributions. An algorithm is provided for the case of a finite set of distributions. It is based on solving a concave programme to find the least‐favourable mixture of these distributions. The minimax rule is a Bayes rule with respect to this least‐favourable distribution. The minimax value is a lower bound for minimax risk relative to a larger set of distributions. An upper bound can be found by fixing a decision rule and calculating its maximum risk. We apply the algorithm to an estimation problem in an autoregressive, random‐effects model for panel data. Copyright © 2000 John Wiley & Sons, Ltd.