A Simple and Efficient Estimation Method for Models with Nonignorable Missing Data
非可忽略缺失数据模型的简便高效估计方法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：摘要涉及通用非可忽略缺失数据与 GMM 估计，未明确对应所列领域细分。
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
非可忽略缺失数据模型的简便高效估计方法
- 研究问题
- 在已有非可忽略缺失数据模型中，能否避免显式非参数估计和带宽选择，同时获得一致估计、渐近正态性与半参数效率？
- 方法与思路
- 作者提出基于广义矩估计的方法，通过适当增加矩条件数量逼近半参数效率界，并提供两种数据驱动的矩数量选择方法。
- 材料陈述的贡献
- 摘要称该方法具有一致性与渐近正态性，适当增长矩数量时可在较弱正则条件下达到既有效率界，且可用常见 GMM 软件计算。
- 阅读关注点
- 应核对缺失机制模型的识别条件、矩条件来源与有效性，以及矩数量增长速度、协方差估计和数据驱动选择的理论支持。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与接收未经核验；摘要未列识别条件，不能把关于矩数量的陈述理解为任意矩选择均有效。
原文摘要
This paper proposes a simple and efficient estimation procedure for the model with non-ignorable missing data studied by Morikawa and Kim (2016). Their semiparametrically efficient estimator requires explicit nonparametric estimation and so suffers from the curse of dimensionality and requires a bandwidth selection. We propose an estimation method based on the Generalized Method of Moments (hereafter GMM). Our method is consistent and asymptotically normal regardless of the number of moments chosen. Furthermore, if the number of moments increases appropriately our estimator can achieve the semiparametric efficiency bound derived in Morikawa and Kim (2016), but under weaker regularity conditions. Moreover, our proposed estimator and its consistent covariance matrix are easily computed with the widely available GMM package. We propose two data-based methods for selection of the number of moments. A small scale simulation study reveals that the proposed estimation indeed out-performs the existing alternatives in finite samples.