GENERALIZED EMPIRICAL LIKELIHOOD INFERENCE FOR NONLINEAR AND TIME SERIES MODELS UNDER WEAK IDENTIFICATION
弱识别下非线性与时间序列模型的广义经验似然推断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。
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：摘要明确在时间序列背景下处理依赖数据与非线性矩约束推断，因此时间序列是最直接相关的方向。
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
弱识别下非线性与时间序列模型的广义经验似然推断
- 研究问题
- 在参数弱识别且观测存在时间依赖的非线性矩约束模型中，如何构造具有可用极限分布的稳健推断方法？
- 方法与思路
- 作者以结合核平滑的广义经验似然构造检验统计量，并研究弱识别和时间序列依赖共同存在时的极限性质。
- 材料陈述的贡献
- 摘要称提出的检验统计量具有标准卡方极限分布，并对弱识别及依赖数据稳健；具体适用条件未在摘要展开。
- 阅读关注点
- 核对弱识别的形式、依赖条件、核与带宽要求，以及检验对象和自由度如何确定，特别关注稳健性的覆盖范围。
- 阅读边界
- 仅据所给出版社摘要，无法判断稳健性是否具有一致性保证，也无法评估有限样本尺寸、功效或带宽敏感性。
原文摘要
This paper studies robust inference methods for nonlinear moment restriction models with weakly identified parameters in time series contexts. Our methods are based on generalized empirical likelihood with kernel smoothing. The proposed test statistics, which follow the standard χ2 limiting distributions, are robust to weak identification and dependent data.The author is deeply grateful to Bruce Hansen, John Kennan, and Gautam Tripathi for their guidance and time. Comments from a coeditor and two anonymous referees substantially helped this revision. The author also thanks Allan Gregory, Patrik Guggenberger, Philip Haile, Hiroyuki Kasahara, Matthew Kim, Yuichi Kitamura, and seminar participants at Queen's University, University of Wisconsin, and the 2003 North America Summer Meeting of the Econometric Society for helpful discussions and suggestions. Financial support from the Alice Gengler Wisconsin Distinguished Graduate Fellowship and Wisconsin Alumni Research Foundation Dissertation Fellowship is gratefully acknowledged.