Higher-order properties of approximate estimators
近似估计量的高阶性质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：总体方法属于通用估计理论，但摘要明确以混合 logit 模型评估修正，因此选择直接涉及的离散选择方向。
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
近似估计量的高阶性质
- 研究问题
- 模拟或离散化造成的目标函数近似误差如何影响估计量的偏差、方差和推断，能否以较低计算成本进行修正？
- 方法与思路
- 作者建立纳入近似误差的高阶展开，使用 Newton–Raphson 调整，并据此修正一阶偏差与标准误。
- 材料陈述的贡献
- 摘要称修正适用于包含已知模拟估计程序的一类估计量；混合 logit 模拟显示这些调整可在较低计算成本下改善表现。
- 阅读关注点
- 应核对展开对近似精度和样本量的联合要求、误差项的估计方式，以及 Newton–Raphson 调整与偏差修正的关系。
- 阅读边界
- 所给出版社摘要未列出适用类的完整条件或改善幅度；混合 logit 中的模拟结果不足以保证其他近似估计同样获益。
原文摘要
Many modern estimation methods in econometrics approximate an objective function, for instance, through simulation or discretization. These approximations typically affect both bias and variance of the resulting estimator. We first provide a higher-order expansion of such “approximate” estimators that takes into account the errors due to the use of approximations. We show how a Newton–Raphson adjustment can reduce the impact of approximations. Then we use our expansions to develop inferential tools that take into account approximation errors: we propose adjustments of the approximate estimator that remove its first-order bias and adjust its standard errors. These corrections apply to a class of approximate estimators that includes all known simulation-based procedures. A Monte Carlo simulation on the mixed logit model shows that our proposed adjustments can yield significant improvements at a low computational cost.