論文の概要: Identification and Estimation of Simultaneous Equation Models Using Higher-Order Cumulant Restrictions

• arxiv url: http://arxiv.org/abs/2501.06777v2
• Date: Wed, 10 Sep 2025 08:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:51.989185
• Title: Identification and Estimation of Simultaneous Equation Models Using Higher-Order Cumulant Restrictions
• Title（参考訳）: 高次累積制限を用いた同時方程式モデルの同定と推定
• Authors: Ziyu Jiang,
• Abstract要約: 線形同時方程式モデルにおける構造パラメータの同定は長年にわたる課題である。 構造パラメータの同定には共分散証明もホワイトニングも必要ないことを示す。 私たちのフレームワークは透過的なオーバーアイデンティティテストを提供します。
• 参考スコア（独自算出の注目度）: 5.882065571122133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying structural parameters in linear simultaneous-equation models is a longstanding challenge. Recent work exploits information in higher-order moments of non-Gaussian data. In this literature, the structural errors are typically assumed to be uncorrelated so that, after standardizing the covariance matrix of the observables (whitening), the structural parameter matrix becomes orthogonal -- a device that underpins many identification proofs but can be restrictive in econometric applications. We show that neither zero covariance nor whitening is necessary. For any order $h>2$, a simple diagonality condition on the $h$th-order cumulants alone identifies the structural parameter matrix -- up to unknown scaling and permutation -- as the solution to an eigenvector problem; no restrictions on cumulants of other orders are required. This general, single-order result enlarges the class of models covered by our framework and yields a sample-analogue estimator that is $\sqrt{n}$-consistent, asymptotically normal, and easy to compute. Furthermore, when uncorrelatedness is intrinsic -- as in vector autoregressive (VAR) models -- our framework provides a transparent overidentification test. Monte Carlo experiments show favorable finite-sample performance, and two applications -- "Returns to Schooling" and "Uncertainty and the Business Cycle" -- demonstrate its practical value.
• Abstract（参考訳）: 線形同時方程式モデルにおける構造パラメータの同定は長年にわたる課題である。 最近の研究は、非ガウスデータの高次モーメントの情報を活用する。 この文献では、構造的誤差は一般に非相関であると仮定され、観測可能量の共分散行列(白化)を標準化した後、構造的パラメータ行列は直交する。 共分散もホワイトニングも不要であることを示す。 任意の位数 $h>2$ に対して、$h$th-order cumulants 上の単純な対角性条件は、未知のスケーリングと置換を含む構造パラメータ行列を固有ベクトル問題の解として識別する。 この一般的なシングルオーダーの結果は、我々のフレームワークがカバーするモデルのクラスを拡大し、サンプルアナローグ推定子を$\sqrt{n}$-consistent、漸近的に正規で計算しやすくする。 さらに、ベクトル自己回帰(VAR)モデルのように、非相関性が本質的な場合、我々のフレームワークは透過的な過剰識別テストを提供します。 モンテカルロの実験は良好な有限サンプル性能を示し、"Returns to Schooling" と "Uncertainty and the Business Cycle" の2つの応用はその実用的価値を示している。

関連論文リスト

• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• On the Complexity of Identification in Linear Structural Causal Models [3.44747819522562]
  空間内で動作するジェネリック識別のための,新しい音響および完全アルゴリズムを提案する。 また,同定が一般に困難であることを示す。
  論文  参考訳（メタデータ） (2024-07-17T13:11:26Z)
• Diffeomorphic Measure Matching with Kernels for Generative Modeling [1.2058600649065618]
  本稿では、常微分方程式(ODE)と再生成ケルネルヒルベルト空間(RKHS)を用いて、最小分散生成モデリングおよびサンプリングに向けた確率測度を伝達するための枠組みを提案する。 提案手法の理論的解析を行い,モデルの複雑さ,トレーニングセット内のサンプル数,モデルの誤識別という観点から,事前誤差境界を与える。
  論文  参考訳（メタデータ） (2024-02-12T21:44:20Z)
• Representation Disentaglement via Regularization by Causal Identification [3.9160947065896803]
  本稿では,不整合表現学習における基礎となるデータ生成過程の仮定を記述するために,因果コライダー構造モデルを提案する。 そこで本研究では,大規模生成モデルの挙動を因果同定によって課される絡み合った制約に整合させるモジュール型正規化エンジンReIを提案する。
  論文  参考訳（メタデータ） (2023-02-28T23:18:54Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Hessian Eigenspectra of More Realistic Nonlinear Models [73.31363313577941]
  私たちは、非線形モデルの広いファミリーのためのヘッセン固有スペクトルの言語的特徴付けを行います。 我々の分析は、より複雑な機械学習モデルで観察される多くの顕著な特徴の起源を特定するために一歩前進する。
  論文  参考訳（メタデータ） (2021-03-02T06:59:52Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Asymptotic Errors for Teacher-Student Convex Generalized Linear Models (or : How to Prove Kabashima's Replica Formula) [23.15629681360836]
  凸一般化線形モデルの再構成性能に関する解析式を検証した。 解析的継続を行えば、結果を凸(非強直)問題に拡張できることを示す。 主流学習法に関する数値的な例で,本主張を述べる。
  論文  参考訳（メタデータ） (2020-06-11T16:26:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。