GMM Estimation of Non-Gaussian Structural Vector Autoregression
非高斯结构向量自回归的 GMM 估计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：摘要明确研究 SVAR 中结构冲击的识别与估计，并应用于战后美国宏观模型，对应结构冲击分析和时间序列方向。
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
非高斯结构向量自回归的 GMM 估计
- 研究问题
- 当结构冲击具有非高斯性，且仅要求正交而不要求相互独立时，如何利用矩条件估计 SVAR，并实现结构冲击的局部识别？
- 方法与思路
- 作者采用 GMM，以非高斯误差和适当矩条件实现局部识别，并用既有矩选择准则筛选矩条件；冲击须满足正交及若干共峰度条件。
- 材料陈述的贡献
- 摘要称，该方法放松冲击独立性要求；模拟中表现可比或优于所比较的伪极大似然估计，两步估计优于文中其他 GMM 方案。
- 阅读关注点
- 应核对局部识别所需的矩条件、正交与共峰度限制、矩选择和两步估计的实现，以及模拟比较和战后美国宏观应用的模型设定。
- 阅读边界
- 摘要未列出具体矩条件、识别的正则条件和模拟设计；局部识别不保证全局识别，有限样本比较也不足以说明方法在所有设定下更优。
原文摘要
We consider estimation of the structural vector autoregression (SVAR) by the generalized method of moments (GMM). Given non-Gaussian errors and a suitable set of moment conditions, the GMM estimator is shown to achieve local identification of the structural shocks. The optimal set of moment conditions can be found by well-known moment selection criteria. Compared to recent alternatives, our approach has the advantage that the structural shocks need not be mutually independent, but only orthogonal, provided they satisfy a number of co-kurtosis conditions that prevail under independence. According to simulation results, the finite-sample performance of our estimation method is comparable, or even superior to that of the recently proposed pseudo maximum likelihood estimators. The two-step estimator is found to outperform the alternative GMM estimators. An empirical application to a small macroeconomic model estimated on postwar United States data illustrates the use of the methods.