Adapting to Misspecification

实证研究中普遍存在稳健性与效率之间的权衡：研究者可以依赖强假设获得精确但有偏的受限估计量，也可以放松假设获得稳健但方差较大的无约束估计量。传统做法是通过设定检验（pre-test）选择一个模型，但当模型误设程度适中时，预检验估计量的风险远高于无约束估计量。本文提出一种自适应估计方法，无需预设误设程度的先验界值，而是通过最小化相对于已知误设界值的神谕估计量（oracle）的最大风险比率来构建估计量。该方法将问题转化为加权极小极大问题，其解可通过数值计算的查找表快速实现。作者进一步证明，基于软阈值收缩（soft-thresholding）的分析解能够以极小的效率损失逼近最优自适应估计量。软阈值估计量可解释为预检验估计量的平滑版本，其临界值取决于受限与无约束估计量的相对效率。在 Gentzkow、Shapiro 和 Sinkinson（2011）关于报纸对选民投票率影响的双向固定效应模型案例中，自适应软阈值估计量的最坏情况均方误差仅为无约束估计量的 25% 上升，而预检验估计量达到 87%。在 Angrist 和 Krueger（1991）的教育回报率工具变量案例中，由于 IV 估计量效率极低（仅为 OLS 的 0.02%），最大适应遗憾极大，表明当受限估计量远优于无约束估计量时，需要施加约束的自适应估计。该方法仅需已发表的点估计和标准误即可计算，为实证研究者提供了一种系统性地兼顾效率与稳健性的新工具。