[論文レビュー] Estimation in moderately misspecified models

Nils Lid Hjort|ArXiv.org|Mar 25, 2026

Statistical Methods and Inference参考文献 7被引用数 9

ひとこと要約

本論文は、狭いパラメトリックモデルが耐えられるミススペシフィケーションの量を分析し、狭いモデルと広いモデルでの推定を比較し、鋭い大サンプル許容基準を導出し、妥協推定量を提案する。

ABSTRACT

Suppose data are fitted to some parametric model but that the true model happens to be one with an additional parameter. When a parameter is to be estimated one can use likelihood estimation in the wider model or in the narrow model. Including the extra parameter in the model means less bias but larger sampling variability. Two basic questions are addressed in this article. (i) Just how much misspecification can the narrow model tolerate? In the context of a large-sample moderate misspecification framework we find a surprisingly simple, sharp, and general answer. There is effectively a `tolerance radius' around a given narrow model, inside of which narrow estimation is more precise than wide estimation for all estimands. This is computed in a selection of examples that also demonstrate the degree of robustness of important standard methods against moderate incorrectness of the model under which they are optimal. (ii) Are there other estimators that work well both under narrow and wide circumstances? We discuss several possibilities and propose some new procedures. All methods are compared in a broad large-sample performance study.

研究の動機と目的

• 狭いモデルが広いモデルの推定が有利になる前に、どれだけのミススペシフィケーションを耐えられるかを定量化する。
• 局所的ミススペシフィケーションの下で、狭い推定量と広い推定量を比較する大サンプル framework を開発する。
• 一般的なモデル全体に適用される、情報行列に基づく単純で一般的な許容基準を提供する。
• 狭い場合と広い場合の両方で良く機能する妥協推定量を提案・評価する。
• モデル選択基準およびベイズ的ロバスト性への関連を論じる。

提案手法

• 狭いモデル f(y, θ) と広いモデル f(y, θ, γ) を用いた大サンプル枠組みを設定し、γ が γ0 から δ/√n だけずれる。
• 局所的ミススペシフィケーション（γ = γ0 + δ/√n）の下で、広い推定量 (θ̂, γ̂) と狭い推定量 θ̂ narr の極限分布を導出する。
• 2つの推定量の比較尺度 n · MSE を計算し、狭い推定量が有利となる一般的基準 δ^2 ≤ κ^2 を導出する。
• κ^2 を情報行列 J wide を用いて表し、特定の推定量 μ(θ, γ) に依存しないことを示す。
• 共変量を含む回帰設定および複数の例モデルへ結果を拡張する。
• AIC および Schwarz 規準との関連を説明し、ロバスト性とプリテストの含意を検討する。

実験結果

リサーチクエスチョン

• RQ1 広いモデルのミススペシフィケーションが狭いモデルの推定を精度低下させる前に、狭いモデルはどの程度のミススペシフィケーションを耐えられるか。
• RQ2 局所的ミススペシフィケーションの下で、漸近的平均二乗誤差の観点から狭いモデルの推定量が広いモデルの推定量より優れているのはいつか。
• RQ3 情報行列から単純で一般的な許容半径 κ^2 を計算でき、一般的な標準的なパラメトリックモデルに適用可能か。
• RQ4 狭い条件と広い条件の双方で良く機能する実用的な妥協推定量は何か、標準法とどう比較されるか。
• RQ5 提案された許容フレームワークと、赤池（Akaike）および Schwarz のモデル選択基準との関係はどうなるか。

主な発見

• 単純で鋭い大サンプル許容基準が導出される：δ^2 ≤ κ^2 のとき狭い推定量が有利であり、κ^2 は狭いモデルで評価された広いモデルの情報行列から計算される。
• 許容基準は特定の推定量 μ に依存しないため、例全体に広く適用可能である。
• 本論文は、狭いモデルで評価された広いモデルの情報行列 J wide から κ^2 を計算する方法を示し、頑健性の実用的評価を容易にする。
• 真のモデルが控えめにずれる（境界例）場合、5%レベルでミススペシフィケーションを検出する確率は約17%であり、モデル選択の実用的境界を示している。
• Akaike 情報量准則（AIC）と Schwarz の基準がこの枠組みで解析され、ミススペシフィケーション下の狭い対広いトレードオフにおける彼らの判断がどのように関連するかを示している。
• 共変量を含む回帰への拡張およびより一般的な逸脱への拡張が議論され、許容アプローチの広い適用性を提供する。