[论文解读] 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 9

一句话总结

本论文分析一个窄参数模型能容忍多少错配，并比较窄模型与宽模型的估计，推导出一个尖锐的大样本容错准则，并提出折衷估计量。

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.

研究动机与目标

• 量化窄模型在何种错配量下才会使宽模型估计变得更可取。
• 建立在局部错配下比较窄和宽估计量的大样本框架。
• 提供一个基于信息矩阵的简单、通用的容忍准则，适用于常见模型。
• 提出并评估在窄和宽情形下都表现良好的折衷估计量。
• 讨论与模型选择准则以及贝叶斯鲁棒性之间的联系。

提出的方法

• 建立一个大样本框架，包含窄模型 f(y, θ) 和更宽的模型 f(y, θ, γ)，其中 γ 相对于 γ0 的偏离为 δ/√n。
• 推导在局部错配（γ = γ0 + δ/√n）下，宽估计量 (θ̂, γ̂) 和窄估计量 θ̂ narr 的极限分布。
• 计算两个估计量的 n · MSE 的比较量，并得到一般准则 δ^2 ≤ κ^2，当窄估计量更可取。
• 将 κ^2 表达为信息矩阵 J wide，并展示它与具体的估计量 μ(θ, γ) 无关。
• 将结果扩展到含协变量的回归设置以及多种示例模型。
• 将发现与 AIC 和 Schwarz 判据联系起来，并讨论鲁棒性和预检的含义。

实验结果

研究问题

• RQ1 在宽模型的错配量达到多少时，窄估计变得不那么精确？
• RQ2 在局部错配下，窄模型估计量在渐近均方误差方面何时优于宽模型估计量？
• RQ3 是否可以从信息矩阵计算出一个简单、通用的容忍半径 κ^2，适用于常见参数模型？
• RQ4 在窄和宽条件下都表现良好的实际折衷估计量有哪些，以及它们与标准方法相比如何？
• RQ5 Akaike 信息准则和 Schwarz 判据如何与所提的容忍框架相关？

主要发现

• 推导出一个简单、尖锐的大样本容忍准则：窄估计量在 δ^2 ≤ κ^2 时更可取，κ^2 来自在窄模型处评估的宽模型信息矩阵。
• 容忍准则不依赖于特定的估计量 μ，使其在各个示例中具有广泛适用性。
• 论文演示如何从 J wide（宽模型的信息矩阵）在窄模型处计算 κ^2，便于对鲁棒性进行实际评估。
• 如果真实模型偏离适度（边界情形），在 5% 水平下发现错配的概率约为 17%，这揭示了模型选择的一个实际界限。
• Akaike’s 信息准则和 Schwarz’s 判据在该框架中被分析，展示它们的决策如何与在错配下的窄-vs-宽权衡相关。
• 讨论了对带协变量的回归以及更一般的偏差的扩展，提供了容忍方法的广泛适用性。