Improving the Limited Information Maximum Likelihood Estimator When the Disturbances Are Small
小扰动情形下有限信息最大似然估计量的改进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：摘要提及 LIML 与两阶段估计，但未明确结构模型、因果目标或其他细分场景，因此保留为一般估计理论。
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
小扰动情形下有限信息最大似然估计量的改进
- 研究问题
- 在题名所指的小扰动情形中，有限信息最大似然估计量是否可被改进，怎样利用其他估计量构造改进方法？
- 方法与思路
- 作者依据估计量分布的渐近展开研究有限信息最大似然估计，并将其与两阶段估计或普通最小二乘估计线性组合。
- 材料陈述的贡献
- 摘要称有限信息最大似然估计在所用渐近展开意义下不可容许，并可通过与另外两类估计量的线性组合加以改进。
- 阅读关注点
- 应核对小扰动的渐近框架、不可容许所依据的损失或比较标准，以及组合权重、参数范围和模型条件。
- 阅读边界
- 版本未注明的索引摘要未说明损失函数、组合权重和具体模型；不能据此断言改进方法在所有样本或弱工具情形下占优。
原文摘要
The limited information maximum likelihood (LIML) estimator is shown to be inadmissible in terms of asymptotic expansions of the distributions of the estimators. The LIML estimator is improved by combining it linearly with the two-stage or the ordinary least squares estimator.