A two-sample size estimator for large datasets
面向大型数据集的双样本量估计量AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用面板随机系数 logit 模型进行模拟比较，直接涉及离散选择和面板数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向大型数据集的双样本量估计量
- 研究问题
- 当 GMM 矩条件中的预测部分计算昂贵时，如何利用完整数据中的廉价信息，降低计算负担并改善估计精度？
- 方法与思路
- 作者让观测部分使用全样本、预测部分使用较小样本，构造大小样本估计量，并讨论条件期望投影型 GMM 替代方案。
- 材料陈述的贡献
- 摘要称给出了其方差低于小样本标准 GMM 的实用判据，并通过面板随机系数 logit 模拟和酒类需求应用展示方法。
- 阅读关注点
- 应核对大小样本之间的抽样关系、方差比较判据与实际计算成本，并查看随机系数 logit 中昂贵预测部分的实现。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明最优样本量配置、判据的具体形式或实际加速幅度，不能认定该方法总能降方差。
原文摘要
Summary In generalized method of moments (GMM) estimators, moment conditions with additive error terms involve an observed component and a predicted component. If the predicted component is computationally costly to evaluate, it may not be feasible to estimate the model with all the available data. We propose a simple two-sample ‘large–small’ size estimator that uses the full dataset for the computationally cheap observed component, but a reduced sample size for the predicted component. We derive a practical criterion for when the large-small estimator has a lower variance than standard GMM with the reduced sample size. As an alternative, we show how a previously described asymptotically efficient conditional expectation projection based GMM estimator can also be used to reduce computational cost in our setting. We compare the performance of the estimators in a Monte Carlo study of a panel-data random coefficients logit model, and illustrate the use of our estimator in an empirical application to alcohol demand.