[论文解读] Minimum Integrated Distance Estimation in Simultaneous Equation Models

Zhengyuan Gao, Antonio F. Galvao|arXiv (Cornell University)|Dec 5, 2014

Statistical Methods and Inference参考文献 6被引用 4

一句话总结

本文通过利用Kantorovich最优传输公式，提出了一种新型的半参数联立方程模型最小综合距离估计量，以内生方式估计权重测度，从而在无需先验假设的情况下实现非参数最优权重测度选择。该方法通过避免对简化形式知识和密度假设的依赖，提升了估计效率与通用性，并具备渐近标准收敛性质。

ABSTRACT

This paper considers estimation and inference in semiparametric econometric models. Standard procedures estimate the model based on an independence restriction that induces a minimum distance between a joint cumulative distribution function and the product of the marginal cumulative distribution functions. This paper develops a new estimator which generalizes estimation by allowing endogeneity of the weighting measure and estimating the optimal measure nonparametrically. The optimality corresponds to the minimum of the integrated distance. To accomplish this aim we use Kantorovich's formulation of the optimal transportation problem. The minimizing distance is equivalent to the total variation distance and thus characterizes finer topological structures of the distributions. The estimation also provides greater generality by dealing with probability measures on compact metric spaces without assuming existence of densities. Asymptotic statistics of the empirical estimates have standard convergent results and are available for different statistical analyses. In addition, we provide a tractable implementation for computing the estimator in practice.

研究动机与目标

• 通过放松基于独立性的最小距离假设的限制，开发一种更高效且更通用的半参数联立方程模型估计量。
• 在最小距离估计中实现权重测度的内生化，使其能够被非参数估计，而非预先强制设定。
• 提供一种适用于紧致度量空间的可计算、渐近有效的估计框架，且无需假设密度存在。
• 消除对简化形式模型知识的需求，扩大方法在非线性结构模型中的适用范围。
• 在最小正则性条件下，为经验估计量建立标准渐近收敛结果。

提出的方法

• 利用Kantorovich最优传输问题的公式，定义联合分布与乘积测度之间的最小综合距离。
• 以通过非参数方法估计的测度替代固定的权重测度，使其能根据数据和参数值自适应调整。
• 将准则函数定义为联合分布与各边际乘积之间距离函数的积分，权重为估计的测度。
• 应用希尔伯特空间表示与核方法，确保估计量的计算可操作性。
• 利用最优传输中的对偶性，推导出包含对数似然与前推密度的可计算准则函数。
• 在线性情况下假设正态分布，推导出与二次型成比例的闭式准则函数，从而实现高效计算。

实验结果

研究问题

• RQ1 如何将联立方程模型中的最小距离估计推广，以允许权重测度的内生化？
• RQ2 对最优权重测度进行非参数估计对估计量效率与稳健性有何影响？
• RQ3 所提出的方法是否可在不假设已知简化形式或密度存在的前提下实际实施？
• RQ4 在最小正则性条件下，该估计量的渐近性质与现有方法相比如何？
• RQ5 Kantorovich公式在多大程度上提升了距离度量的拓扑敏感性？

主要发现

• 所提出的估计量通过非参数且内生地估计最优权重测度，实现了比现有方法更高的效率。
• 该方法为经验估计量提供了标准渐近收敛结果，支持在各种统计分析中进行有效推断。
• 该估计量适用于紧致度量空间上的概率测度，且无需假设密度函数的存在。
• 在高斯线性情况下，准则函数退化为二次型，支持闭式计算，并与贝叶斯后验更新相联系。
• 在Kantorovich公式下，最小综合距离等价于总变差距离，能够捕捉更精细的分布结构。
• 该方法消除了对简化形式建模的需求，显著拓宽了在非线性结构模型中的适用范围。