DETECTING LACK OF IDENTIFICATION IN GMM
检测 GMM 中的识别不足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：摘要研究通用非线性 GMM 的识别诊断，没有明确的因果、结构模型或宏观金融应用依据。
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
检测 GMM 中的识别不足
- 研究问题
- 研究如何在参数非线性的 GMM 模型中检验识别不足，并诊断常规渐近理论可能表现不佳的情形。
- 方法与思路
- 作者提出以识别不足为原假设的检验，将其解释为线性工具变量第一阶段 F 检验的非线性对应方法。
- 材料陈述的贡献
- 摘要所述贡献是为非线性 GMM 提供识别诊断工具，提醒研究者审慎使用常规渐近推断。
- 阅读关注点
- 应核对识别不足的形式化定义、检验统计量和零假设分布，以及该诊断与弱识别问题之间的关系。
- 阅读边界
- 出版社摘要未说明检验的具体条件、临界值或功效，不能将其解读为已经解决弱识别下的有效推断。
原文摘要
This paper proposes a test of the null of underidentification in the nonlinear-in-parameters generalized method of moments model. It can be thought of as a nonlinear analog of the usual linear instrumental variables first-stage F-test. It can be used as a diagnostic to warn a researcher when conventional asymptotic theory is unlikely to work well.I am grateful to Don Andrews, Jon Faust, John Fernald, Jim Stock, and two anonymous referees for their helpful comments on earlier drafts of this manuscript. I am also grateful to George Tauchen for providing me with the code for generating artificial asset price data. All errors are my sole responsibility.