A NONPARAMETRIC SIMULATED MAXIMUM LIKELIHOOD ESTIMATION METHOD
一种非参数模拟最大似然估计方法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：摘要核心是通用模拟似然方法，动态 Tobit 示例不足以确定所列结构估计或离散选择方向。
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…
关注这篇论文的作者
一种非参数模拟最大似然估计方法
- 研究问题
- 能否用模拟样本非参数估计似然，使模拟最大似然适用于较一般的模型，并在静态情形下获得一致性与渐近效率？
- 方法与思路
- 作者在模拟样本上非参数估计似然，研究由此得到的最大似然程序，再提出动态扩展，并以动态 Tobit 模型进行模拟。
- 材料陈述的贡献
- 摘要称证明了静态模型下该方法的一致性与渐近效率，并提出动态模型扩展；动态部分明确报告的是 Tobit 模拟结果。
- 阅读关注点
- 读全文应核对模拟样本量、平滑参数与实际样本量的关系、似然逼近条件，并区分静态理论证明与动态扩展的依据。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，适用模型条件及模拟细节未说明，不能将静态模型的效率证明自动延伸到动态模型。
原文摘要
Existing simulation-based estimation methods are either general purpose but asymptotically inefficient or asymptotically efficient but only suitable for restricted classes of models. This paper studies a simulated maximum likelihood method that rests on estimating the likelihood nonparametrically on a simulated sample. We prove that this method, which can be used on very general models, is consistent and asymptotically efficient for static models. We then propose an extension to dynamic models and give some Monte-Carlo simulation results on a dynamic Tobit model.We thank Jean-Pierre Florens, Arnoldo Frigessi, Christian Gouriéroux, Jim Heckman, Guy Laroque, Oliver Linton, Nour Meddahi, Alain Monfort, Eric Renault, Christian Robert, Neil Shephard, and two referees for their comments. Remaining errors and imperfections are ours. Parts of this paper were written while Bernard Salanié was visiting the University of Chicago, which he thanks for its hospitality.