Adaptive Elastic Net for Generalized Methods of Moments
广义矩方法的自适应弹性网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：摘要核心是通用 GMM 的高维惩罚估计，纵向与面板数据作为适用背景出现，未给出所列领域的专门模型，因此暂不归类。
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
广义矩方法的自适应弹性网
- 研究问题
- 含内生变量的非线性方程系统中，如何在 GMM 框架同时估计参数与筛选模型，并容许参数数量增长及变量共线性？
- 方法与思路
- 作者将最小二乘自适应弹性网扩展至非线性 GMM，以数据依赖方式将冗余参数置零，并针对估计量无闭式解采用新证明方法。
- 材料陈述的贡献
- 摘要称，该方法容许参数维数发散与大量变量共线性，并具有 oracle 性质：同时删除冗余参数，使非零参数保持标准极限分布。
- 阅读关注点
- 核对维数增长速率、惩罚与权重选择、共线性及矩条件的限制，以及 oracle 性质的证明和与 Bridge-GMM 的比较设定。
- 阅读边界
- 摘要未给出增长速率、调参规则、识别条件或数值实例细节；oracle 性质的适用范围及有限样本表现仍须查阅全文。
原文摘要
Model selection and estimation are crucial parts of econometrics. This paper introduces a new technique that can simultaneously estimate and select the model in generalized method of moments (GMM) context. The GMM is particularly powerful for analyzing complex data sets such as longitudinal and panel data, and it has wide applications in econometrics. This paper extends the least squares based adaptive elastic net estimator of Zou and Zhang (2009) to nonlinear equation systems with endogenous variables. The extension is not trivial and involves a new proof technique due to estimators lack of closed form solutions. Compared to Bridge-GMM of Caner (2009), we allow for the number of parameters to diverge to infinity as well as collinearity among a large number of variables, also the redundant parameters set to zero via a data dependent technique. This method has the oracle property, meaning that we can estimate nonzero parameters with their standard limit and the redundant parameters are dropped from the equations simultaneously. Numerical examples are used to illustrate the performance of the new method.