Essays on weak identification, model selection and hypothesis testing in econometrics
Notice bibliographique
Résumé
This thesis makes contributions to weak identification, model selection and hypothesis testing in econometrics.It consists of the following essays.In Chapter 1, we study likelihood-based inference in models with possible identification failure.The results rely heavily on the properties of the mapping from structural parameters to generalized reduced-form parameters (which are identified by construction).We establish an asymptotic chi-square bound on the likelihood ratio (LR) statistic for testing restrictions on the possibly unidentified structural parameters with degrees of freedom equal to the dimension of the reduced form parameter vector through which the tested parameters enter the likelihood function.We also propose pivotal C(α)-type statistics that are robust to potential identification failure and are flexible in incorporating a wide class of estimators of the (strongly identified) nuisance parameters.Furthermore, we develop a generalized version of the classical Anderson-Rubin (AR)-type statistic in linear simultaneous equations and an identification-robust pretest-based inference procedure.Our simulations suggest that the likelihood-based tests control the level more accurately and the generalized AR test exhibits good power when compared to their identification-robust minimum distance counterparts.Finally, the proposed methods are used for inference in the hybrid New Keynesian Phillips Curve (NKPC) model.In Chapter 2, we study the invariance properties of various test criteria which have been proposed for hypothesis testing in the context of incompletely specified models, such as models which are formulated in terms of estimating functions (Godambe, 1960, Ann.Math.Stat.) or moment conditions and are estimated by generalized method of moments (GMM) procedures (Hansen, 1982, Econometrica), and models estimated by pseudo-likelihood (Gouriéroux, Monfort and Trognon, 1984, Econometrica) and M-estimation methods.The invariance properties considered include invariance to (possibly nonlinear) hypothesis reformulations and reparameterizations.The test statistics examined include Wald-type, LRtype, LM-type, score-type, and C(α)-type criteria.Extending the approach used in Dagenais and Dufour (1991, Econometrica), we show first that all these test statistics except the Wald-type ones are invariant to equivalent hypothesis reformulations (under usual regularity conditions), but all five of them are not generally invariant to model reparameterizations, including measurement unit changes in nonlinear models.In other words, testing i I am very grateful to my advisors, Jean-Marie Dufour and Victoria Zinde-Walsh for their guidance and support through my graduate years.I have benefitted greatly from Professor Dufour's immense knowledge, scholarly wisdom, vision and attitude toward research.Being his student has been an eye-opening experience.Professor Zinde-Walsh has always kept her office open to me and offered generous support.I would like to
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 | 0,020 | 0,068 |
| 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 | 0,011 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».