مقاله محاسبه کارآمد مجموعه‌های اطمینان با استفاده از طبقه‌بندی در شبکه‌های توزیع‌شده همسان

چکیده

Economic models produce moment inequalities, which can be used to form tests of the true parameters. Confidence sets (CS) of the true parameters are derived by inverting these tests. However, they often lack analytical expressions, necessitating a grid search to obtain the CS numerically by retaining the grid points that pass the test. When the statistic is not asymptotically pivotal, constructing the critical value for each grid point in the parameter space adds to the computational burden. In this paper, we convert the computational issue into a classification problem by using a support vector machine (SVM) classifier. Its decision function provides a faster and more systematic way of dividing the parameter space into two regions: inside vs. outside of the confidence set. We label those points in the CS as 1 and those outside as -1. Researchers can train the SVM classifier on a grid of manageable size and use it to determine whether points on denser grids are in the CS or not. We establish certain conditions for the grid so that there is a tuning that allows us to asymptotically reproduce the test in the CS. This means that in the limit, a point is classified as belonging to the confidence set if and only if it is labeled as 1 by the SVM.

چکیده به فارسی (ترجمه ماشینی)

مدل های اقتصادی نابرابری های لحظه ای را ایجاد می کنند ، که می تواند برای تشکیل آزمایش پارامترهای واقعی استفاده شود.مجموعه اعتماد به نفس (CS) پارامترهای واقعی با وارونه کردن این آزمایشات حاصل می شود.با این حال ، آنها غالباً فاقد عبارات تحلیلی هستند ، و نیاز به جستجوی شبکه برای به دست آوردن CS به صورت عددی با حفظ نقاط شبکه ای که آزمون را پشت سر می گذارند.هنگامی که آمار به صورت نامتعارف محوری نیست ، ساخت مقدار بحرانی برای هر نقطه شبکه در فضای پارامتر به بار محاسباتی می افزاید.در این مقاله ، ما مسئله محاسباتی را با استفاده از طبقه بندی کننده دستگاه بردار پشتیبانی (SVM) به یک مشکل طبقه بندی تبدیل می کنیم.عملکرد تصمیم گیری آن روشی سریعتر و منظم تر برای تقسیم فضای پارامتر به دو منطقه را فراهم می کند: در داخل در مقابل خارج از مجموعه اعتماد به نفس.ما این نقاط را در CS به عنوان 1 و موارد خارج از -1 برچسب گذاری می کنیم.محققان می توانند طبقه بندی کننده SVM را بر روی شبکه ای با اندازه قابل کنترل آموزش دهند و از آن استفاده کنند تا مشخص شود که آیا نقاط روی شبکه های متراکم در CS هستند یا خیر.ما شرایط خاصی را برای شبکه ایجاد می کنیم تا تنظیماتی وجود داشته باشد که به ما امکان می دهد آزمایش را بدون علامت آزمایش در CS تولید کنیم.این بدان معنی است که در حد مجاز ، یک نقطه به عنوان متعلق به مجموعه اعتماد به نفس طبقه بندی می شود اگر و فقط اگر توسط SVM به عنوان 1 برچسب گذاری شود.