K-Class Estimators: The Optimum Normalization for Finite Samples
K 类估计量：有限样本的最优归一化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：摘要明确涉及内生变量与 K 类估计，但未说明结构经济模型或因果识别目标，细分分类依据不足。
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
K 类估计量：有限样本的最优归一化
- 研究问题
- 当含多个内生变量的方程可以通过不同归一化方式估计同一组目标系数时，在 K 类估计量范围内应如何选择有限样本归一化？
- 方法与思路
- 作者限制于 K 类估计量，采用 Kadane 的小样本分析方法，并依据内生变量与扰动项的相关程度讨论归一化变量的选择。
- 材料陈述的贡献
- 摘要称在若干重要限定条件下，应以最具内生性的变量进行归一化；这一建议来自有限样本分析，但限定条件未在摘要中列出。
- 阅读关注点
- 应核对最优性的评价准则、重要限定条件、适用的 K 类估计量范围，以及原PDF中变量数量和相关程度符号的准确写法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；变量数量与相关符号疑有上下标丢失，需查原PDF，不能重构公式或把建议视为无条件规则。
原文摘要
Frequently, in estimating an equation, one is interested in a particular set of normalized coefficients. There is still a normalization problem, however, for if an equation contains m 1 endogenous variables, there are m 1 ways to estimate the same coefficients. The purpose of this article is to determine the optimum normalization for finite samples. Restricting the analysis to k-class estimators and employing Kadane's small sample technique [9], let p 2 i denote the correlation coefficient between the ith endogenous variable and the disturbance. Then, measuring “endogenousness” by p 2 i , this article shows that subject to several important qualifications, one should normalize on the most endogenous variable.