Eu sempre luto para obter a verdadeira essência da identificação na econometria. Eu sei que afirmamos que um parâmetro (digamos ) pode ser identificado se, simplesmente olhando para sua distribuição (conjunta), pudermos inferir o valor do parâmetro. Em um caso simples de , onde , podemos afirmar que é identificado se soubermos que sua variância . Mas e se onde é um parâmetro desconhecido? Pode e ser identificados?
Se eu expandir o modelo para onde e , para mostrar que estão identificados, faça Eu simplesmente tenho que reafirmar que a variação para todos os três parâmetros é maior que zero?
Agradeço toda a ajuda em limpar minha mente com relação à identificação.
estimation
identifiability
CharlesM
fonte
fonte
Respostas:
Vamos primeiro definir os seguintes objetos: Em um modelo estatístico usado para modelar como uma função de , existem parâmetros denotados por vetor . Esses parâmetros podem variar dentro do espaço de parâmetros . Não estamos interessados na estimativa de todos esses parâmetros, mas apenas de um determinado subconjunto, digamos em dos parâmetros que denotamos e que variam dentro do espaço de parâmetros . Em nosso modelo as variáveis e os parâmetrosM Y X p θ Θ⊂Rp q≤p θ0 Θ0⊂Rq M X θ vai agora ser mapeada como para explicar . Esse mapeamento é definido por e pelos parâmetros.Y M
Nesse cenário, a identificabilidade diz algo sobre a Equivalência Observacional . Em particular, se os parâmetros forem identificáveis em então ele sustentará queθ0 M ∄θ1∈Θ0:θ1≠θ0,M(θ0)=M(θ1) . Em outras palavras, não existe um vector de parâmetros diferentes que iria induzir o mesmo processo de geração de dados, tendo em conta a especificação do modelo M . Para tornar esses conceitos mais concebíveis, dou dois exemplos.θ1 M
Exemplo 1 : Defina para ; X ∼ N ( μ , σ 2 I n ) ; ε ~ N ( 0 , σ 2 e eu n ) o modelo estatístico simples H : Y = um + X b + ε e supor que ( a , b ) ∈ R 2 (de modo Θθ=(a,b) X∼N(μ,σ2In);ε∼N(0,σ2eIn) M
Exemplo 2 : Defina para ; X ∼ N ( μ , σ 2 I n ) ; ε ∼ N ( 0 , σ 2 e I n ) o modelo estatístico mais complicado M ′ : Y = a + X ( bθ=(a,b,c) X∼N(μ,σ2In);ε∼N(0,σ2eIn) M′
e supor que(a,b)∈R2ec∈R∖{0}(modoΘ=R3∖{(l,m,0)|(l,m)∈R2}). Enquanto paraθ0, esse seria um modelo estatístico identificável, não será válido se um incluir outro parâmetro (isto é,b
fonte