RECURSIVE DIFFERENCING FOR ESTIMATING SEMIPARAMETRIC MODELS
用于半参数模型估计的递归差分方法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：摘要研究一般半参数条件期望估计与偏差控制，没有说明具体面板、选择、因果或金融模型，领域细分依据不足。
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
用于半参数模型估计的递归差分方法
- 研究问题
- 如何在半参数条件期望估计中控制偏差，同时保留理想方差阶，并减少中等样本下表现不佳及推断依赖欠平滑的问题？
- 方法与思路
- 作者提出条件期望的递归差分估计量，结合针对半参数期望导数的偏差控制，使估计在最优窗口下获得渐近正态性。
- 材料陈述的贡献
- 摘要称该偏差控制可在最优窗口下支持推断，并在多种三重指标设计的中等样本中，优于常规核、高阶核和局部多项式。
- 阅读关注点
- 应核对递归差分的构造、导数偏差控制的实施、最优窗口所用准则，以及三重指标设计和中等样本比较的适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要版本，无法确定递归阶数、光滑性条件或模拟差距，不能把指定设计中的表现推广至所有半参数模型。
原文摘要
Controlling the bias is central to estimating semiparametric models. Many methods have been developed to control bias in estimating conditional expectations while maintaining a desirable variance order. However, these methods typically do not perform well at moderate sample sizes. Moreover, and perhaps related to their performance, nonoptimal windows are selected with undersmoothing needed to ensure the appropriate bias order. In this paper, we propose a recursive differencing estimator for conditional expectations. When this method is combined with a bias control targeting the derivative of the semiparametric expectation, we are able to obtain asymptotic normality under optimal windows. As suggested by the structure of the recursion, in a wide variety of triple index designs, the proposed bias control performs much better at moderate sample sizes than regular or higher-order kernels and local polynomials.