"Điều gì làm cho công cụ ước tính hoạt động khi phân phối lỗi thực tế không khớp với phân phối lỗi giả định?"
Về nguyên tắc, QMPLE không "hoạt động", theo nghĩa là một công cụ ước tính "tốt". Lý thuyết được phát triển xung quanh QMLE rất hữu ích vì nó đã dẫn đến các bài kiểm tra sai chính tả.
Điều mà QMLE chắc chắn làm là ước tính nhất quán vectơ tham số nhằm giảm thiểu phân kỳ Kullback-Leiber giữa phân phối thực và phân phối được chỉ định. Điều này nghe có vẻ tốt, nhưng giảm thiểu khoảng cách này không có nghĩa là khoảng cách tối thiểu sẽ không lớn.
Tuy nhiên, chúng tôi đọc rằng có nhiều tình huống rằng QMLE là một công cụ ước tính nhất quán cho vectơ tham số thực . Điều này phải được đánh giá từng trường hợp cụ thể, nhưng tôi xin đưa ra một tình huống rất chung chung, điều này cho thấy rằng không có gì vốn có trong QMLE làm cho nó phù hợp với vectơ thực sự ...
... Thay vào đó, thực tế là nó trùng khớp với một công cụ ước tính khác luôn luôn nhất quán (duy trì giả định mẫu ergodic-tĩnh): công cụ ước tính Phương pháp Khoảnh khắc lỗi thời.
Nói cách khác, khi nghi ngờ về phân phối, một chiến lược cần xem xét là "luôn chỉ định phân phối mà công cụ ước tính Khả năng tối đa cho các tham số sở thích trùng với công cụ ước tính Phương pháp Khoảnh khắc" : theo cách này cho dù có sai lệch như thế nào là giả định phân phối của bạn, công cụ ước tính ít nhất sẽ nhất quán.
Bạn có thể đưa chiến lược này đến các thái cực lố bịch: giả sử rằng bạn có một mẫu iid rất lớn từ một biến ngẫu nhiên, trong đó tất cả các giá trị đều dương. Tiếp tục và giả định rằng biến ngẫu nhiên thường được phân phối và áp dụng khả năng tối đa cho giá trị trung bình và phương sai: QMLE của bạn sẽ phù hợp với các giá trị thực.
Tất nhiên điều này đặt ra câu hỏi, tại sao lại giả vờ áp dụng MLE vì những gì chúng ta thực chất đang làm là dựa vào và ẩn đằng sau những điểm mạnh của Phương pháp Khoảnh khắc (cũng đảm bảo tính bình thường không có triệu chứng)?
Trong các trường hợp tinh chỉnh khác, QMLE có thể được hiển thị là phù hợp với các tham số quan tâm nếu chúng ta có thể nói rằng chúng ta đã chỉ định chính xác hàm trung bình có điều kiện nhưng không phải là phân phối (ví dụ như trường hợp đối với QMLE được gộp chung - xem Wooldridge) .