Constrained estimation using penalization and MCMC
Constrained estimation using penalization and MCMC
复制标题
使用惩罚和 MCMC 进行约束估计
DOI：
10.1016/j.jeconom.2021.02.004
复制
发表时间：
2021
影响因子：
6.3
通讯作者：
Li, Jessie
中科院分区：
文献类型：
--
作者：
Gallant, A. Ronald;Hong, Han;Leung, Michael P.;Li, Jessie
我们研究的推断，无论是经典的极值估计或拉普拉斯型估计的参数定义的一般非线性约束的参数。我们表明，运行MCMC的惩罚版本的问题提供了一个计算上有吸引力的替代解决原来的约束优化问题。贝叶斯可信区间是逐点意义下的渐近有效的置信区间，为参数的一般函数提供了精确的渐近覆盖。我们允许非自适应和自适应的惩罚使用的p-p为p 1的惩罚函数。这些方法的动机，并包括作为特殊情况下的模型选择和收缩方法，如LASSO及其贝叶斯和自适应版本。仿真研究验证了理论结果。我们还提供了一个实证应用，估计美国真实的消费和资产收益率的联合密度受欧拉方程约束的CRRA资产定价模型。
We study inference for parameters defined by either classical extremum estimators or Laplace-type estimators subject to general nonlinear constraints on the parameters. We show that running MCMC on the penalized version of the problem offers a computationally attractive alternative to solving the original constrained optimization problem. Bayesian credible intervals are asymptotically valid confidence intervals in a pointwise sense, providing exact asymptotic coverage for general functions of the parameters. We allow for nonadaptive and adaptive penalizations using the ℓ p for p⩾ 1 penalty functions. These methods are motivated by and include as special cases model selection and shrinkage methods such as the LASSO and its Bayesian and adaptive versions. A simulation study validates the theoretical results. We also provide an empirical application on estimating the joint density of US real consumption and asset returns subject to Euler equation constraints in a CRRA asset pricing model.
登录
查看更多内容
影响因子：
3
作者：
J. Florens;Anna Simoni
通讯作者：
Anna Simoni
影响因子：
6.3
作者：
H. Hong;A. Mahajan;Denis Nekipelov
通讯作者：
Denis Nekipelov
影响因子：
6.1
作者：
ROBINSON, PM
通讯作者：
ROBINSON, PM
非参数贝叶斯受到过度识别矩条件的影响
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
Ronald Gallant
通讯作者：
Ronald Gallant
DOI：
10.1198/016214506000000735
发表时间：
2006-12-01
影响因子：
3.7
作者：
Zou, Hui
通讯作者：
Zou, Hui