Misspecification in moment inequality models: back to moment equalities?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Consider the linear model where one is interested in learning about β given data on y and x and when y is interval measured; that is, we observe such that . Moment inequality procedures use the implication . As compared to least squares in the classical regression model, estimates obtained using an objective function based on these moment inequalities do not provide a clear approximation to the underlying unobserved conditional mean function. Most importantly, under misspecification, it is not unusual that no parameter β satisfies the previous inequalities for all values of x, and hence minima of an objective function based on these moment inequalities are typically tight. We construct set estimates for β in the linear model that have a clear interpretation when the model is misspecified. These sets are based on moment equality models. We illustrate these sets and compare them to estimates obtained using moment inequality‐based methods. In addition to the linear model with interval outcomes we also analyse the binary missing data model with a monotone instrument assumption (MIV), we find there that when this assumption is misspecified, bounds can still be non‐empty, and can differ from parameters obtained via maximum likelihood. We also examine a bivariate discrete game with multiple equilibria. In sum, misspecification in moment inequality models is of a different flavour than in moment equality models, and so care should be taken with (1) the_interpretation of the estimates and (2) the size of the ‘identified set’.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle