Inference for parameters identified by conditional moment restrictions using a generalized Bierens maximum statistic
基于广义 Bierens 最大统计量的条件矩限制参数推断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。
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：摘要明确以经济面板模型中的条件矩限制为研究背景，因此归入面板数据方向。
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…
基于广义 Bierens 最大统计量的条件矩限制参数推断
- 研究问题
- 在经济面板与动态模型的条件矩限制下，如何在事先不知道哪些条件工具变量弱或无关时，对目标参数进行推断？
- 方法与思路
- 作者提出带惩罚的最大统计量，将 bootstrap 推断与模型选择结合，并通过数据依赖的最大最小问题选择调节参数。
- 材料陈述的贡献
- 摘要称该方法优化渐近功效，并在基于实证例子的蒙特卡洛实验中优于已有程序；具体比较范围与优势幅度未说明。
- 阅读关注点
- 应核对条件矩识别与渐近推断的假设、惩罚及调参规则，并检查模型选择后的 bootstrap 有效性与模拟比较设计。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明弱工具情形的具体有效性条件。
原文摘要
Many economic panel and dynamic models, such as rational behavior and Euler equations, imply that the parameters of interest are identified by conditional moment restrictions. We introduce a novel inference method without any prior information about which conditioning instruments are weak or irrelevant. Building on Bierens (1990), we propose penalized maximum statistics and combine bootstrap inference with model selection. Our method optimizes asymptotic power by solving a data-dependent max-min problem for tuning parameter selection. Extensive Monte Carlo experiments, based on an empirical example, demonstrate the extent to which our inference procedure is superior to those available in the literature.