Large Sample Properties of the Three-Step Euclidean Likelihood Estimators under Model Misspecification
Notice bibliographique
Résumé
This article studies the three-step Euclidean likelihood (3S) estimator and its corrected version as proposed by Antoine et al. (2007 Antoine, B., Bonnal, H., Renault, E. (2007). On the efficient use of the informational content of estimating equations: Implied probabilities and Euclidean empirical likelihood. Journal of Econometrics 138:461–487.[Crossref], [Web of Science ®] , [Google Scholar]) in globally misspecified models. We establish that the 3S estimator stays -convergent and asymptotically Gaussian. The discontinuity in the shrinkage factor makes the analysis of the corrected-3S estimator harder to carry out in misspecified models. We propose a slight modification to this factor to control its rate of divergence in case of misspecification. We show that the resulting modified-3S estimator is also higher order equivalent to the maximum empirical likelihood (EL) estimator in well-specified models and -convergent and asymptotically Gaussian in misspecified models. Its asymptotic distribution robust to misspecification is also provided. Because of these properties, both the 3S and the modified-3S estimators could be considered as computationally attractive alternatives to the exponentially tilted empirical likelihood estimator proposed by Schennach (2007 Schennach, S. M. (2007). Point estimation with exponentially tilted empirical likelihood. Annals of Statistics 35:634–672.[Crossref], [Web of Science ®] , [Google Scholar]) which also is higher order equivalent to EL in well-specified models and -convergent in misspecified models.
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 | 0,045 | 0,256 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,007 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».