„Co sprawia, że estymator działa, gdy faktyczny rozkład błędów nie odpowiada założonemu rozkładowi błędów?”
Zasadniczo QMPLE tego nie robi „działa” w tym sensie, że jest „dobrym” estymatorem. Teoria opracowana wokół QMLE jest przydatna, ponieważ doprowadziła do testów błędnej specyfikacji.
Z pewnością QMLE konsekwentnie szacuje wektor parametrów, który minimalizuje rozbieżność Kullbacka-Leibera między rozkładem rzeczywistym a określonym. Brzmi dobrze, ale minimalizacja tej odległości nie oznacza, że zminimalizowana odległość nie będzie ogromna.
Mimo to czytamy, że istnieje wiele sytuacji, w których QMLE jest spójnym estymatorem prawdy wektora parametrów. Trzeba to oceniać indywidualnie dla każdego przypadku, ale pozwólcie, że podam jedną bardzo ogólną sytuację, która pokazuje, że w QMLE nie ma nic nieodłącznego, co czyni ją spójną z prawdziwym wektorem ...
... Raczej jest to, że zbiega się z innym estymatorem, który jest zawsze spójny (utrzymując ergodyczno-stacjonarne założenie próbki): staromodny estymator Metody Momentów.
Innymi słowy, w przypadku wątpliwości co do rozkładu, strategią, którą należy wziąć pod uwagę, jest „zawsze określ rozkład, dla którego estymator maksymalnego prawdopodobieństwa dla parametrów będących przedmiotem zainteresowania pokrywa się z estymatorem metody momentów” : w ten sposób bez względu na to, jak daleko od znaku jest twoim założeniem dystrybucyjnym, estymator będzie przynajmniej spójny.
Możesz doprowadzić tę strategię do absurdalnych ekstremów: załóż, że masz bardzo dużą próbkę id ze zmiennej losowej, gdzie wszystkie wartości są dodatnie. Kontynuuj i załóż, że zmienna losowa jest zwykle rozkładana i zastosuj maksymalne prawdopodobieństwo dla średniej i wariancji: twoja QMLE będzie spójna dla prawdziwych wartości.
Oczywiście rodzi to pytanie, dlaczego udawanie, że stosujesz MLE, skoro w zasadzie to, co robimy, polega na mocnych stronach Metody Momentów (która gwarantuje także asymptotyczną normalność)?
W innych bardziej wyrafinowanych przypadkach można wykazać, że QMLE jest spójny z parametrami będącymi przedmiotem zainteresowania, jeśli możemy powiedzieć, że poprawnie określiliśmy funkcję warunkową średnią, ale nie rozkład (jest to na przykład przypadek dla QMLE z puli Poissona - patrz Wooldridge) .