TL;DR
- مشاهده PDF HTML (تجربی) چکیده:.
- این مقاله یک چارچوب جریمه شده GMM (PGMM) را برای استنتاج انحرافی خودکار بر روی عملکردهای برآوردگرهای متغیر.
- ابزاری ناپارامتری توسعه می دهد.
چه اتفاقی افتاد
مشاهده PDF HTML (تجربی) چکیده:. این مقاله یک چارچوب جریمه شده GMM (PGMM) را برای استنتاج انحرافی خودکار بر روی عملکردهای برآوردگرهای متغیر.
ابزاری ناپارامتری توسعه می دهد. ما نرخهای همگرایی را برای تخمینگر PGMM استخراج میکنیم و شرایطی را برای سازگاری ریشه-n و نرمال بودن.
مجانبی تخمینهای عملکردی منحرف ارائه میکنیم،. که هم تابعهای خطی و هم غیرخطی را پوشش میدهد.
آزمایشهای مونت کارلو بر روی مشتق متوسط نشان میدهد که برآوردگر منحرف مبتنی بر PGMM همتراز با برآوردگر. منحرف تحلیلی است که از نماینده شناختهشده Riesz شکل بسته استفاده میکند و به پوشش 90 تا 96.
درصد دست مییابد در حالی که برآوردگر پلاگین به زیر 5 درصد میرسد. ما روش خود را برای تخمین کشش های قیمتی متوسط در یک مدل تقاضای نیمه پارامتری برای محصولات.
متمایز اعمال می کنیم. شبیه سازی ها پوشش تقریبا اسمی را تایید می کنند در حالی که پلاگین به شدت مخفی است.
روی داده های اسکنر IRI اعمال می شود نوشابههای گازدار،. تخمینهای نیمه پارامتریک منحرف،.
تقریباً 20 درصد در مقایسه با معیار لاجیت انعطافپذیرتر هستند،. و اصلاحات انحرافی در بین محصولات ناهمگن هستند و از ناچیز تا چندین برابر خطای استاندارد متغیر هستند.
نظرات:. قبلاً به عنوان "یادگیری ماشینی انحرافی خودکار در حضور درون زایی" منتشر شد موضوعات:.
اقتصاد سنجی (econ.EM)؛ یادگیری ماشینی (stat.ML) استناد به عنوان:.
arXiv:. 2603.29889 [econ.EM] (یا arXiv:.
2603.29889v2 [econ.EM] برای این نسخه) https:. //doi.org/10.48550/arXiv.2603.29889 DOI صادر شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Edvard Bakhitov [مشاهده ایمیل] [v1] سه شنبه،. 31 مارس 2026،.
15:. 38:.
27 UTC (77 KB) [v2] پنجشنبه،. 2 آوریل 2026،.
19:. 46:.
57 UTC (79 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.