有限混合模型的偏差减小估计：关于面板数据中潜在群组结构的应用
统计方法学
2026-02-04 v2 机器学习
计量经济学
统计计算
摘要
有限混合模型在计量经济学分析中广泛用于捕捉未观察到的异质性。本文表明，在 mild 正则条件下，有限混合参数密度的最大似然估计在所有参数上可能在有限样本中出现显著的偏差。该偏差源于具有无界或大支撑域的成分密度中的离群值的影响，并且随着混合成分之间的重叠程度而增大。我表明，最大化配准-混合似然函数（配准器配准）可获得的参数估计值相对于标准的最大似然估计 (MLE) 来说偏差更小。随后，我推导了所得估计器的渐近分布，并提供实现 oracle 效率的条件。蒙特卡洛模拟显示，常规混合 MLE 在有限样本中表现出显著的偏差，随着样本量或成分密度之间的统计距离趋于无穷大而减小。进一步的模拟表明，在相对弱假设下，所提出的估计策略在有限样本中在偏差和均方误差方面通常优于标准 MLE。一个经验应用到潜在群组面板结构（使用健康行政数据）显示，所提出的方法相对于来自标准 MLE 程序获得的最佳结果，减少了约 17.6% 的预测误差。
引用
@article{arxiv.2601.20197,
title = {Bias-Reduced Estimation of Finite Mixtures: An Application to Latent Group Structures in Panel Data},
author = {Raphaël Langevin},
journal= {arXiv preprint arXiv:2601.20197},
year = {2026}
}