Resumen

La verosimilitud empírica es un método muy popular y ha sido ampliamente utilizado en los campos de la inteligencia artificial (IA) y la minería de datos, ya que las tabletas, aplicaciones móviles y redes sociales dominan el panorama tecnológico. Este artículo propone un método de contracción de verosimilitud empírica para estimar eficientemente parámetros desconocidos y seleccionar condiciones de momento correctas simultáneamente, cuando el modelo está definido por restricciones de momento en las que algunas pueden estar incorrectas. Mostramos que nuestro método disfruta de propiedades tipo oráculo; es decir, selecciona consistentemente las condiciones de momento correctas y al mismo tiempo su estimador es tan eficiente como el estimador de verosimilitud empírica obtenido por todas las condiciones de momento correctas. Además, a diferencia del GMM, nuestro método propuesto nos permite realizar regiones de confianza para los parámetros incluidos en el modelo sin estimar las covarianzas de los estimadores. Para la implementación empírica, proporcionamos algunos procedimientos basados en datos para seleccionar el pará

• Materias:Ecuaciones diferenciales Ecuaciones integrales Variables independientes Sistemas dinámicos Combinaciones convexas
• Subjects:Differential equations Integral equations Independent variables Dynamic systems Convex combinations
• Palabras claves:Verosimilitud empírica; Método; Parámetros; Condiciones de momento; Estimador; Regiones de confianza
• Keywords:Empirical likelihood; Method; Parameters; Moment conditions; Estimator; Confidence regions