Inference for Iterated GMM Under Misspecification
模型错设下迭代 GMM 的统计推断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：摘要讨论迭代 GMM 的通用推断理论；所列应用仅给出模型作者与年份，未说明数据或研究对象，不足以映射至具体领域细分。
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
模型错设下迭代 GMM 的统计推断
- 研究问题
- 矩条件有轻度错设时，过度识别的迭代 GMM 是否存在、具有什么渐近分布，以及如何估计方差以避免常规检验过度拒绝原假设？
- 方法与思路
- 作者为过度识别的迭代 GMM 给出估计量存在条件和允许轻度错设的渐近分布理论，并构造正确渐近方差矩阵的一致估计，以修正检验推断。
- 材料陈述的贡献
- 摘要称，矩条件错设可能使常规方差估计有偏并导致检验严重过度拒绝；所提方差估计具有一致性，模拟中检验在正确设定及轻中度错设下保持适当尺寸。
- 阅读关注点
- 重点核对迭代估计量存在条件、允许的错设范围与渐近方差公式，并检查模拟的错设强度、样本量、拒绝率以及应用中的矩条件。
- 阅读边界
- 摘要未说明具体正则条件、模拟设计和数值结果；理论明确允许轻度错设，轻至中度错设的良好表现来自模拟，不能推出任意错设下均有效。
原文摘要
This paper develops inference methods for the iterated overidentified Generalized Method of Moments (GMM) estimator. We provide conditions for the existence of the iterated estimator and an asymptotic distribution theory, which allows for mild misspecification. Moment misspecification causes bias in conventional GMM variance estimators, which can lead to severely oversized hypothesis tests. We show how to consistently estimate the correct asymptotic variance matrix. Our simulation results show that our methods are properly sized under both correct specification and mild to moderate misspecification. We illustrate the method with an application to the model of Acemoglu, Johnson, Robinson, and Yared (2008).