High dimensional generalized empirical likelihood for moment restrictions with dependent data
依赖数据下高维矩条件的广义经验似然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：摘要明确讨论弱依赖数据和高维时间序列中的 GEL 估计、比率分布及检验，因此归入时间序列方法方向。
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…
依赖数据下高维矩条件的广义经验似然
- 研究问题
- 当参数维度和矩条件数量均随样本量增长、数据存在弱依赖时，广义经验似然能否支持一致估计、分布推断与过度识别检验？
- 方法与思路
- 作者通过限制参数及矩条件维度的增长速度和数据依赖程度，分析 GEL 估计与比率统计量，并提出稀疏情形的惩罚 GEL。
- 材料陈述的贡献
- 摘要称其得到一致性、收敛率和渐近正态性，证明高维时间序列中的 GEL 比率仍可具有卡方极限，并提出一致的过度识别检验。
- 阅读关注点
- 应核对维度增长与依赖强度的联合限制、矩条件识别要求，以及卡方近似在增长维度下的表述和惩罚 GEL 的附加条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审未核实。摘要未给出允许的增长速度、依赖条件或有限样本表现，无法判断具体数据是否适用。
原文摘要
This paper considers the maximum generalized empirical likelihood (GEL) estimation and inference on parameters identified by high dimensional moment restrictions with weakly dependent data when the dimensions of the moment restrictions and the parameters diverge along with the sample size. The consistency with rates and the asymptotic normality of the GEL estimator are obtained by properly restricting the growth rates of the dimensions of the parameters and the moment restrictions, as well as the degree of data dependence. It is shown that even in the high dimensional time series setting, the GEL ratio can still behave like a chi-square random variable asymptotically. A consistent test for the over-identification is proposed. A penalized GEL method is also provided for estimation under sparsity setting.