Misspecification in moment inequality models: back to moment equalities?
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,004 | 0,012 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».