Disturbance-Variance Estimation in Simultaneous Equations When Disturbances are Small
小扰动下联立方程模型的扰动方差估计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。
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：摘要明确讨论联立方程结构参数的 k 类估计及其残差方差估计，与结构估计方法直接相关。
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
小扰动下联立方程模型的扰动方差估计
- 研究问题
- 在线性随机联立方程模型中，结构参数经 k 类估计后，残差平方和应如何缩放，才能改善扰动方差估计的均方误差？
- 方法与思路
- 作者采用小扰动分析，研究残差平方和除以任意标量所得方差估计的偏差与均方误差，并比较不同 k 类估计。
- 材料陈述的贡献
- 摘要称，最优除数为 T−n+2，且不随所用 k 类估计变化；采用该除数时，经典最小二乘对应的方差估计均方误差最小。
- 阅读关注点
- 应核对小扰动展开的阶数与条件、k 类估计的范围，以及最优性结论针对方差估计而非结构参数估计的具体含义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；最优性陈述处于小扰动分析框架，不能据此推断一般有限样本最优性或刊本变化。
原文摘要
Employing the small-disturbance approach, I study the bias and mean squared error of a class of estimators of the variance of the disturbances in a simultaneous linear stochastic equation model. The estimator considered is the residual sum of squares after estimation of the structural parameters by a k-class estimator, divided by an arbitrary scalar. The scalar which minimizes the mean squared error is (T—n+2), regardless of which k-class estimator is used, where T is the number of observations and n is the number of structural parameters estimated. Using the scalar (T—n+2), the member of the k-class that minimizes the mean squared error is classical least squares.