GMM is Inadmissible Under Weak Identification
弱识别下 GMM 的不可容许性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：核心是矩条件估计与弱识别的通用决策理论，工具变量模拟不足以确定具体应用领域。
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
弱识别下 GMM 的不可容许性
- 研究问题
- 矩条件模型的识别强度受限时，标准 GMM 是否具有渐近可容许性，其对样本矩函数的不连续性会怎样影响决策意义上的表现？
- 方法与思路
- 作者从样本矩函数的一致连续性分析渐近可容许性，并比较标准 GMM、自助聚合 GMM 与拟贝叶斯后验均值的连续性及模拟表现。
- 材料陈述的贡献
- 摘要称，所研究的一大类问题中可容许估计量必须一致连续，而 GMM 通常不满足；两类替代方法在校准模拟中常优于 GMM。
- 阅读关注点
- 应核对识别强度的约束、损失函数和渐近支配的定义，以及结论覆盖哪些估计问题、替代方法如何聚合及强识别等价性如何成立。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明定理条件和损失设定，不能将不可容许性解读为替代方法处处优于 GMM。
原文摘要
We consider estimation in moment condition models and show that under any bound on identification strength, asymptotically admissible (i.e. undominated) estimators in a wide class of estimation problems must be uniformly continuous in the sample moment function. GMM estimators are in general discontinuous in the sample moments, and are thus inadmissible. We show, by contrast, that bagged, or bootstrap aggregated, GMM estimators as well as quasi-Bayes posterior means have superior continuity properties, while results in the literature imply that they are equivalent to GMM when identification is strong. In simulations calibrated to published instrumental variables specifications, we find that these alternatives often outperform GMM.