GMM and M Estimation under Network Dependence
网络依赖下的 GMM 与 M 估计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：摘要明确以网络依赖数据为对象，建立 GMM 和 M 估计及推断理论。
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
网络依赖下的 GMM 与 M 估计
- 研究问题
- 研究观测之间存在网络依赖时，如何为 GMM 和 M 估计建立一致性与渐近正态性，并形成可操作的估计推断程序。
- 方法与思路
- 作者在已有网络依赖理论基础上建立新的统一大数定律，用于分析非线性估计量，再据此推导 GMM 和 M 估计的大样本性质。
- 材料陈述的贡献
- 摘要称提供网络依赖下的统一大数定律、两类估计量的一致性与渐近正态性，以及完整的实际估计和推断程序。
- 阅读关注点
- 应核对网络依赖与网络增长条件、目标函数的一致收敛要求、渐近方差估计，以及推断所需网络信息是否可观测。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出依赖衰减、矩条件和程序细节，适用网络范围待核对。
原文摘要
This paper presents GMM and M estimators and their asymptotic properties for network-dependent data. To this end, I build on Kojevnikov, Marmer, and Song (KMS, 2021) and develop a novel uniform law of large numbers (ULLN), which is essential to ensure desired asymptotic behaviors of nonlinear estimators (e.g., Newey and McFadden, 1994, Section 2). Using this ULLN, I establish the consistency and asymptotic normality of both GMM and M estimators. For practical convenience, complete estimation and inference procedures are also provided.