Exponentially tilted likelihood inference on growing dimensional unconditional moment models
增长维度无条件矩模型的指数倾斜似然推断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：摘要研究通用增长维度矩模型与似然推断，住房数据示例未明确涉及所列微观、宏观或金融细分问题。
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…
增长维度无条件矩模型的指数倾斜似然推断
- 研究问题
- 在似然函数不可得、变量维度增长且存在相关性与模型误设时，如何利用无条件矩进行变量选择、参数估计和对比假设检验？
- 方法与思路
- 作者提出惩罚指数倾斜似然，研究估计量的一致性、预言性质及高阶渐近性质，并构造约束似然比检验，开展模拟与住房数据示例。
- 材料陈述的贡献
- 摘要称在正则条件下估计量具有一致性与预言性质，对比假设的约束似然比渐近服从卡方分布，理论还显示对模型误设的稳健性。
- 阅读关注点
- 应核对维度增长、惩罚和矩条件的限制，以及误设下参数的目标定义、预言性质含义和似然比卡方近似的适用范围。
- 阅读边界
- 仅依据所给出版社摘要，不能将误设稳健性理解为任意误设下均有效；误设类别、正则条件及住房示例的具体结果未说明。
原文摘要
Growing-dimensional data with likelihood function unavailable are often encountered in various fields. This paper presents a penalized exponentially tilted (PET) likelihood for variable selection and parameter estimation for growing dimensional unconditional moment models in the presence of correlation among variables and model misspecification. Under some regularity conditions, we investigate the consistent and oracle properties of the PET estimators of parameters, and show that the constrained PET likelihood ratio statistic for testing contrast hypothesis asymptotically follows the chi-squared distribution. Theoretical results reveal that the PET likelihood approach is robust to model misspecification. We study high-order asymptotic properties of the proposed PET estimators. Simulation studies are conducted to investigate the finite performance of the proposed methodologies. An example from the Boston Housing Study is illustrated.