Efficient estimation of regression models with user-specified parametric model for heteroskedasticity*
用户指定异方差参数模型下的回归有效估计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：摘要讨论一般回归中的目标化有效估计，未明确涉及所列因果、面板、宏观或金融专门方向。
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
用户指定异方差参数模型下的回归有效估计
- 研究问题
- 当用户指定的异方差参数模型可能错误时，如何针对某个系数、边际效应或预测目标设计估计量，以提高该目标的估计精度？
- 方法与思路
- 作者按标量目标调整加权最小二乘，并在异方差模型误设时结合目标化 WLS 与 OLS，使用稳健方差估计构建参数化方法。
- 材料陈述的贡献
- 摘要称目标化方法在指定模型误设时改善精度、正确时保持半参数效率，并在若干估计量类别中具有渐近最优性。
- 阅读关注点
- 应核对精度比较是逐目标还是联合成立、允许的估计量类别、权重和组合系数如何估计，以及异方差模型误设下的条件。
- 阅读边界
- 使用的是作者／机构库版本摘要，不能据此确认刊本内容或同行评审状态；具体最优性条件和模拟改善幅度均未说明。
原文摘要
We show that it is possible to estimate regression coefficients at least as precisely as Ordinary Least Squares (OLS), Weighted Least Squares (WLS) and its recently proposed refinements, regardless of the user’s parametric model for heteroskedasticity. The key is to modify WLS depending on scalar target parameters, e.g., coefficients, marginal effects, predictions, etc. to obtain a targeted WLS that maximizes precision of estimation of the target given the user’s model for heteroskedasticity. By construction, targeting improves precision over other estimators when the user’s model is incorrect, and maintains semiparametric efficiency when it is correct. When the user’s model is incorrect, targeted WLS can be improved by targeted combination of WLS and OLS building on the literature on “resurrecting WLS”. Our targeted estimators are parametric and based on robust variance estimation. They are asymptotically optimal in important classes of estimators and show big improvements over others in simulations.