Theory of Weak Identification in Semiparametric Models
半参数模型的弱识别理论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：摘要核心是半参数模型的弱识别与效率理论；线性 IV 和非线性回归例子不足以确定其属于所列具体应用方向。
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…
关注这篇论文的作者
半参数模型的弱识别理论
- 研究问题
- 在半参数模型中，如何刻画弱识别及其估计效率？当参数局部呈零次齐次性、一致或等变估计无法实现时，还能依据什么改进估计？
- 方法与思路
- 作者以局部零次齐次性刻画弱正则参数，寻找充分且最小的底层正则参数，并通过局部渐近 Rao–Blackwell 化减少低效估计引入的噪声。
- 材料陈述的贡献
- 摘要提出弱识别与弱效率的一般框架，并给出线性工具变量和非线性回归中的新估计量；线性工具变量模拟展示了对 2SLS 和最优 IV 的改进。
- 阅读关注点
- 应核对弱正则与底层正则参数的定义、最小充分性的判据、不可能性结果的适用范围，以及 Rao–Blackwell 化的实现条件和模拟比较设计。
- 阅读边界
- 摘要未说明完整正则条件、具体改进幅度与计算要求；弱效率指不能再按文中方式改进，不能仅据摘要解释为所有损失函数下的最优性。
原文摘要
We provide general formulation of weak identification in semiparametric models and an efficiency concept. Weak identification occurs when a parameter is weakly regular, that is, when it is locally homogeneous of degree zero. When this happens, consistent or equivariant estimation is shown to be impossible. We then show that there exists an underlying regular parameter that fully characterizes the weakly regular parameter. While this parameter is not unique, concepts of sufficiency and minimality help pin down a desirable one. If estimation of minimal sufficient underlying parameters is inefficient, it introduces noise in the corresponding estimation of weakly regular parameters, whence we can improve the estimators by local asymptotic Rao–Blackwellization. We call an estimator weakly efficient if it does not admit such improvement. New weakly efficient estimators are presented in linear IV and nonlinear regression models. Simulation of a linear IV model demonstrates how 2SLS and optimal IV estimators are improved.