On uniform asymptotic risk of averaging GMM estimators
GMM 平均估计量的一致渐近风险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：摘要讨论一般非高斯半参数非线性模型中的 GMM 风险理论，未提供足以对应所列具体领域细分的研究场景。
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
GMM 平均估计量的一致渐近风险
- 研究问题
- 当部分矩条件可能误设时，结合保守与激进 GMM 估计量，能否在不同误设程度下获得统一的渐近风险保障？
- 方法与思路
- 作者用不可行最优权重的样本对应量进行加权，建立有限样本截断风险差上下界的统一渐近近似，用于比较两类估计量。
- 材料陈述的贡献
- 摘要称，在若干充分条件和二次损失下，平均估计量相对保守估计量的截断风险差渐近上界统一为零，下界严格小于零。
- 阅读关注点
- 应核对截断风险的定义、统一性覆盖的参数范围、权重估计方式，以及充分条件如何支持风险上下界的比较。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将该结果扩展为任意损失或有限样本下的普遍优势；具体条件与截断设置均未说明。
原文摘要
This paper studies the averaging GMM estimator that combines a conservative GMM estimator based on valid moment conditions and an aggressive GMM estimator based on both valid and possibly misspecified moment conditions, where the weight is the sample analog of an infeasible optimal weight. We establish asymptotic theory on uniform approximation of the upper and lower bounds of the finite‐sample truncated risk difference between any two estimators, which is used to compare the averaging GMM estimator and the conservative GMM estimator. Under some sufficient conditions, we show that the asymptotic lower bound of the truncated risk difference between the averaging estimator and the conservative estimator is strictly less than zero, while the asymptotic upper bound is zero uniformly over any degree of misspecification. The results apply to quadratic loss functions. This uniform asymptotic dominance is established in non‐Gaussian semiparametric nonlinear models.