Penalized GMM Framework for Inference on Functionals of Nonparametric Instrumental Variable Estimators
非参数工具变量估计泛函推断的惩罚 GMM 框架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：摘要明确将非参数工具变量泛函推断用于差异化产品需求模型与自身价格弹性估计。
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
非参数工具变量估计泛函推断的惩罚 GMM 框架
- 研究问题
- 如何对非参数工具变量估计的线性与非线性泛函自动去偏，并在需求模型中对平均价格弹性开展有效推断？
- 方法与思路
- 作者构建惩罚 GMM 框架，推导估计收敛率及去偏泛函的渐近条件，并通过平均导数模拟和饮料需求数据展示方法。
- 材料陈述的贡献
- 摘要称，去偏估计在所用模拟中的覆盖率接近名义水平，明显改善代入估计的欠覆盖，并发现产品间修正幅度不同。
- 阅读关注点
- 应核对正则化与去偏步骤、泛函及 Riesz 表示相关条件，以及需求识别、工具变量选择和弹性基准比较的设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出根号样本量推断条件，模拟覆盖率不能保证所有泛函适用。
原文摘要
This paper develops a penalized GMM (PGMM) framework for automatic debiased inference on functionals of nonparametric instrumental variable estimators. We derive convergence rates for the PGMM estimator and provide conditions for root-n consistency and asymptotic normality of debiased functional estimates, covering both linear and nonlinear functionals. Monte Carlo experiments on average derivative show that the PGMM-based debiased estimator performs on par with the analytical debiased estimator that uses the known closed-form Riesz representer, achieving 90-96% coverage while the plug-in estimator falls below 5%. We apply our procedure to estimate mean own-price elasticities in a semiparametric demand model for differentiated products. Simulations confirm near-nominal coverage while the plug-in severely undercovers. Applied to IRI scanner data on carbonated beverages, debiased semiparametric estimates are approximately 20% more elastic compared to the logit benchmark, and debiasing corrections are heterogeneous across products, ranging from negligible to several times the standard error.