Notice bibliographique
Résumé
This thesis collects three essays, each in the form of a chapter, on two independent topics in econometrics. The first two chapters address the problem of uniformly valid inference for set-identified linear functionals in models with linear moment inequalities. The identified set for the linear functional is characterized by value functions of two linear programs parameterized by the underlying probability distribution which generates the data. Chapter 1 exploits the generic nature of well-behaved linear programs to show that a randomly perturbed bootstrap-based confidence set delivers a computationally tractable inference procedure that is uniformly asymptotically valid over a large class of data-generating processes. Importantly, it is established that the validity of the method does not rely on high-level assumptions that are difficult to verify in practice. In Chapter 2, in a subclass of linear moment inequality models, an alternative method is developed to obtain a never-empty confidence set with similar properties. This is motivated by the fact that many moment inequality models have a large number of moment constraints relative to the dimension of the structural parameters, in which case confidence sets based on an optimization framework are often empty. Chapter 3 considers an independent problem of identification and estimation in measurement error models. Unlike in a classical measurement error setting where independent measurements are observed, economic data is often truncated by ranking and thus necessarily correlated. A notable example is data on ascending auctions with independent private values where only drop-out bids are observed. This raises the question of whether the underlying data-generating process is nonparametrically identified when the ranks of the order statistics are known. It is shown that the model is identified under some tail conditions on the distribution of measurement errors and a uniformly consistent nonparametric estimator is proposed.
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 | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,009 |
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 ».