Adaptive Elastic Net GMM Estimation With Many Invalid Moment Conditions: Simultaneous Model and Moment Selection
多无效矩条件下的自适应弹性网GMM估计：模型与矩条件联合选择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：摘要明确把估计程序用于时间维度与横截面维度均较大的动态面板，并讨论误差序列相关，因而归入面板数据方向。
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
多无效矩条件下的自适应弹性网GMM估计：模型与矩条件联合选择
- 研究问题
- 当结构参数和矩条件数量随样本增大，且部分矩条件可能局部无效时，如何同步筛选模型与有效矩，并估计非零参数？
- 方法与思路
- 作者将GMM与自适应加权lasso及二次正则化结合，在参数和矩条件维度随样本增长时，一步完成有效矩筛选、参数选择和估计。
- 材料陈述的贡献
- 摘要称程序具有选择一致性，并达到预先知道有效矩时的GMM效率界；所研究的调参规则使选择一致性不依赖高斯假设。
- 阅读关注点
- 应核对局部无效矩的定义、维度增长与信号强度条件、二次正则化对效率的作用，以及调参规则和动态面板中的适用条件。
- 阅读边界
- 摘要未列出局部无效矩的允许范围、维度增长条件及序列相关限制，因此不能据此判断对任意无效矩或相关误差的稳健性。
原文摘要
This article develops the adaptive elastic net generalized method of moments (GMM) estimator in large-dimensional models with potentially (locally) invalid moment conditions, where both the number of structural parameters and the number of moment conditions may increase with the sample size. The basic idea is to conduct the standard GMM estimation combined with two penalty terms: the adaptively weighted lasso shrinkage and the quadratic regularization. It is a one-step procedure of valid moment condition selection, nonzero structural parameter selection (i.e., model selection), and consistent estimation of the nonzero parameters. The procedure achieves the standard GMM efficiency bound as if we know the valid moment conditions ex ante, for which the quadratic regularization is important. We also study the tuning parameter choice, with which we show that selection consistency still holds without assuming Gaussianity. We apply the new estimation procedure to dynamic panel data models, where both the time and cross-section dimensions are large. The new estimator is robust to possible serial correlations in the regression error terms.