“当实际误差分布与假定误差分布不匹配时,使估算器工作的原因是什么?”
原则上,QMPLE确实不是 “工作”,在被一个“好”的估计量感。围绕QMLE开发的理论是有用的,因为它导致了错误指定测试。
QMLE当然要做的是一致地估计参数向量,该向量使真实分布与指定分布之间的Kullback-Leiber发散最小。听起来不错,但是最小化该距离并不意味着最小化的距离不会很大。
尽管如此,我们仍了解到,在许多情况下,QMLE是对真实情况的一致估计参数向量量。这必须根据具体情况进行评估,但是让我给出一个非常一般的情况,它表明QMLE中没有固有的东西可以使它与真实向量保持一致...
...相反,事实是它与另一个始终一致的估计量一致(保持人体工程学平稳的样本假设)的:老式的矩量估计器。
换句话说,当在分配疑问,要考虑的策略是“始终指定分布,其与矩估计法利益一致的参数的最大似然估计”:在这种方式无论多么没谱是您的分布假设,估算器至少会保持一致。
您可以将这种策略带到荒谬的极端:假设您有一个来自随机变量的非常大的iid样本,其中所有值都是正值。继续,假设随机变量是正态分布的,并且对均值和方差应用最大似然:您的QMLE对于真实值将保持一致。
当然,这引出了一个问题,为什么假装应用MLE,因为我们本质上所做的就是依靠并隐藏了矩法(也保证渐近正态性)的优势?
在其他更精细的情况下,如果我们可以说我们已经正确指定了条件均值函数但未指定分布,则QMLE对于所关注的参数可能是一致的(例如Pooled Poisson QMLE的情况-参见Wooldridge) 。