LASSO-TYPE GMM ESTIMATOR
Lasso 型广义矩估计量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：摘要研究通用惩罚 GMM 与模型选择，未限定到给定列表中的具体应用领域。
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
Lasso 型广义矩估计量
- 研究问题
- 如何在广义矩估计中同时选择模型与估计参数，并使冗余参数渐近归零，同时减轻惩罚对非零参数造成的渐近偏差？
- 方法与思路
- 作者在 GMM 目标函数中加入幂指数小于一的惩罚项，以降低渐近偏差，并建立模型选择及非零参数估计的非标准渐近理论。
- 材料陈述的贡献
- 摘要称，该估计量可渐近选中正确模型，非零参数具有标准 GMM 极限分布；所报告模拟中，正确选择频率高于两个比较方法。
- 阅读关注点
- 应核对惩罚强度与幂指数的条件、非凸目标的求解方法、模型维度设定，以及模拟比较的样本量和调参规则。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认高维适用性、优化稳定性或比较优势的普遍性；具体数值与其他版本变化未说明。
原文摘要
This paper proposes the least absolute shrinkage and selection operator–type (Lasso-type) generalized method of moments (GMM) estimator. This Lasso-type estimator is formed by the GMM objective function with the addition of a penalty term. The exponent of the penalty term in the regular Lasso estimator is equal to one. However, the exponent of the penalty term in the Lasso-type estimator is less than one in the analysis here. The magnitude of the exponent is reduced to avoid the asymptotic bias. This estimator selects the correct model and estimates it simultaneously. In other words, this method estimates the redundant parameters as zero in the large samples and provides the standard GMM limit distribution for the estimates of the nonzero parameters in the model. The asymptotic theory for our estimator is nonstandard. We conduct a simulation study that shows that the Lasso-type GMM correctly selects the true model much more often than the Bayesian information Criterion (BIC) and another model selection procedure based on the GMM objective function.