Conditional moment models under semi-strong identification
半强识别下的条件矩模型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：摘要主要是通用条件矩模型的识别强度、估计和推断理论，未提供明确应用对象，领域细分证据不足。
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
半强识别下的条件矩模型
- 研究问题
- 当条件矩随样本量增加而变平、识别强度处于半强状态时，如何无需预知识别模式或手选工具数量等参数进行估计与推断？
- 方法与思路
- 作者通过条件矩的变平程度定义识别强度，提出不依赖手选工具数量或平滑参数的最小距离估计量，并使用 Wald 检验进行推断。
- 材料陈述的贡献
- 摘要称估计量在半强识别下具有一致性和渐近正态性，可作异方差稳健推断；模拟中相对多工具方法具有更好的区间覆盖表现。
- 阅读关注点
- 应核对半强识别的形式定义、允许的识别模式、最小距离准则与方差估计，以及无需调参的具体含义和 Wald 检验的适用边界。
- 阅读边界
- 仅依据所给出版社摘要；未说明条件矩变平速率、完整正则条件及覆盖率数值，半强识别结果不能推广为任意弱识别下的有效推断。
原文摘要
We consider conditional moment models under semi-strong identification. Identification strength is directly defined through the conditional moments that flatten as the sample size increases. Our new minimum distance estimator is consistent, asymptotically normal, robust to semi-strong identification, and does not rely on the choice of a user-chosen parameter, such as the number of instruments or some smoothing parameter. Heteroskedasticity-robust inference is possible through Wald testing without prior knowledge of the identification pattern. Simulations show that our estimator is competitive with alternative estimators based on many instruments, being well-centered with better coverage rates for confidence intervals.