Double robust inference for continuous updating GMM
连续更新 GMM 的双重稳健推断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。
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：摘要明确应用于金融风险因子的风险溢价检验，支持资产定价与金融因子分类；其通用 GMM 理论没有对应的独立细分键。
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
连续更新 GMM 的双重稳健推断
- 研究问题
- 当 GMM 同时面临模型误设与结构参数弱识别时，如何对总体连续更新目标函数所定义的伪真参数开展有效假设检验？
- 方法与思路
- 作者提出双重稳健拉格朗日乘子统计量，以总体连续更新目标的最小化点为检验对象，并建立对误设和弱识别稳健的极限分布界。
- 材料陈述的贡献
- 摘要称统计量具有起界定作用的卡方极限分布，并以教育回报和金融风险因子溢价应用展示同时处理误设与弱识别的意义。
- 阅读关注点
- 应核对伪真值的定义、卡方界对应的检验大小保证及弱识别条件；注意这里的双重稳健指误设与弱识别两类问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整条件与结果，误设下对伪真值的检验不能直接解释为真实参数检验。
原文摘要
We propose the double robust Lagrange multiplier (DRLM) statistic for testing hypotheses specified on the pseudo-true value of the structural parameters in the generalized method of moments. The pseudo-true value is defined as the minimizer of the population continuous updating objective function and equals the true value of the structural parameter in the absence of misspecification.\nocite{hhy96} The (bounding) chi-squared limiting distribution of the DRLM statistic is robust to both misspecification and weak identification of the structural parameters, hence its name. To emphasize its importance for applied work, we use the DRLM test to analyze the return on education, which is often perceived to be weakly identified, using data from Card (1995) where misspecification occurs in case of treatment heterogeneity; and to analyze the risk premia associated with risk factors proposed in Adrian et al. (2014) and He et al. (2017), where both misspecification and weak identification need to be addressed.