基于一般筛法的时间序列非参数条件矩约束推断
机器学习
2023-01-04 v2 机器学习
计量经济学
摘要
一般非线性筛学习是一类非线性筛，其逼近高维变量的非线性函数的灵活度远高于各类线性筛（或级数）。本文考虑基于一般非线性筛拟似然比（GN-QLR）的对时间序列数据期望泛函的推断，其中感兴趣的泛函基于某个满足条件矩约束并使用多层神经网络学习的非参数函数。虽然所估计泛函的渐近正态性依赖于泛函空间某个未知的 Riesz 表示元，我们证明最优加权 GN-QLR 统计量渐近服从卡方分布，无论该期望泛函是否正则（root- 可估计）。这在数据满足弱相依 beta-混合条件时成立。我们将方法应用于强化学习中的离屏评估，把 Bellman 方程表述为条件矩约束框架，从而可利用所提出的 GN-QLR 方法结合时间序列数据对状态特定值泛函进行推断。此外，还给出非参数工具变量与分位数 IV 模型的平均偏均值与平均偏导数的估计作为代表性例子。最后，蒙特卡洛模拟显示了该方法的有限样本表现。
引用
@article{arxiv.2301.00092,
title = {Inference on Time Series Nonparametric Conditional Moment Restrictions Using General Sieves},
author = {Xiaohong Chen and Yuan Liao and Weichen Wang},
journal= {arXiv preprint arXiv:2301.00092},
year = {2023}
}