Sensitivity, Informativeness, and Misspecification in GMM Estimation
GMM 估计中的敏感性、信息含量与模型误设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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是通用 GMM 误设诊断，应用横跨多个方向，不足以确定单一领域细分。
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
GMM 估计中的敏感性、信息含量与模型误设
- 研究问题
- 模型误设时，如何衡量矩条件对 GMM 估计的敏感性与方差解释程度，并理解权重矩阵选择带来的效率取舍？
- 方法与思路
- 作者在伪真值处构造抗误设诊断，推导多类 GMM 的影响函数，并以渐近方差中由矩条件抽样变动解释的份额衡量信息含量。
- 材料陈述的贡献
- 摘要称估计最优权重可能引入矩条件无法解释的额外方差，信息含量指标能够揭示传统过度识别检验未发现的损失。
- 阅读关注点
- 应核对伪真值与误设下的诊断定义、权重估计误差如何进入影响函数，以及信息含量下降与传统效率标准的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验；摘要未提供完整正则条件，过度识别检验不拒绝也不证明模型正确。
原文摘要
This paper develops misspecification-robust sensitivity and informativeness diagnostics for GMM estimators, evaluated at pseudo-true values. The sensitivity matrix nests that of Andrews, Gentzkow, and Shapiro (2017) under correct specification. The informativeness $Δ$ measures the share of an estimator's asymptotic variance explained by sampling variation in the moments, a notion of structural efficiency that equals one under correct specification and can fall below one under misspecification, even when the Hansen $J$-test does not reject. We derive influence-function representations for one-step, two-step, iterated, and continuously updating GMM. We show that in minimum-distance estimation, estimating the optimal weight matrix adds estimator variance that the moments do not explain, lowering informativeness, while simpler weight matrices largely avoid it. The choice of weight matrix therefore involves a trade-off between classical efficiency and informativeness. In applications to the automobile demand model of Berry, Levinsohn, and Pakes (1995), the consumption insurance model of Blundell, Pistaferri, and Preston (2008), and the income-and-democracy regressions of Acemoglu, Johnson, Robinson, and Yared (2008), misspecification reorders sensitivity rankings, simpler weights preserve the informativeness that the optimal weight loses, and $Δ$ detects structural-efficiency losses that the $J$-test does not.