Generalized Method of Moments and Empirical Likelihood
广义矩估计与经验似然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。
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：摘要讨论一般矩条件估计与经验似然，未明确涉及所列细分方向的特定模型或应用，因此暂不分类。
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
广义矩估计与经验似然
- 研究问题
- 在矩条件统一估计与推断的框架下，GMM 有哪些后续发展？经验似然类估计量如何处理最优权重矩阵的预估计问题？
- 方法与思路
- 文章回顾 Hansen 之后的 GMM 发展，重点讨论经验似然类估计量如何避免预先估计最优权重矩阵，并介绍其信息论解释。
- 材料陈述的贡献
- 摘要将 GMM 作为联系常用估计方法与经济理论正交条件的统一框架，并梳理经验似然类方法的相关进展及信息论解释。
- 阅读关注点
- 核对不同估计方法纳入矩条件框架的具体方式、经验似然的构造与适用条件，以及它与传统 GMM 的理论和有限样本比较。
- 阅读边界
- 摘要介绍方法进展，未给出具体定理条件或比较结果；避免预估最优权重矩阵，并不自动意味着效率或有限样本表现更优。
原文摘要
Generalized method of moments (GMM) estimation has become an important unifying framework for inference in econometrics in the last 20 years. It can be thought of as encompassing almost all of the common estimation methods, such as maximum likelihood, ordinary least squares, instrumental variables, and two-stage least squares, and nowadays is an important part of all advanced econometrics textbooks. The GMM approach links nicely to economic theory where orthogonality conditions that can serve as such moment functions often arise from optimizing behavior of agents. Much work has been done on these methods since the seminal article by Hansen, and much remains in progress. This article discusses some of the developments since Hansen's original work. In particular, it focuses on some of the recent work on empirical likelihood-type estimators, which circumvent the need for a first step in which the optimal weight matrix is estimated and have attractive information theoretic interpretations.