Inference for Two-Stage Extremum Estimators
两阶段极值估计量的推断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。
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：摘要主要贡献是通用两阶段极值估计推断，同伴效应仅为应用，未明确网络结构或其他细分方法的充分依据。
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…
两阶段极值估计量的推断
- 研究问题
- 当两阶段估计量的分布非正态，且第二阶段偏差在根号样本量缩放后仍不消失时，如何估计其渐近分布并开展推断？
- 方法与思路
- 作者提出基于模拟的推断，允许多类第一阶段估计，并利用估计分布的均值构造去偏估计，避免反复计算两阶段估计量。
- 材料陈述的贡献
- 摘要称，方法可处理非正态分布和不消失的缩放偏差，去偏估计改善有限样本性质，并用于多弱工具变量下的同伴效应应用。
- 阅读关注点
- 应核对模拟分布所需的输入及一致性条件、第一阶段误差如何传递、去偏公式，以及多弱工具变量应用中的有效性要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出具体条件、模拟步骤或改善数值，不能判断其普遍适用范围。
原文摘要
We present a simulation-based inference approach for two-stage estimators, focusing on extremum estimators in the second stage. We accommodate a broad range of first-stage estimators, including extremum estimators, high-dimensional estimators, and other types of estimators such as Bayesian estimators. The key contribution of our approach lies in its ability to estimate the asymptotic distribution of two-stage estimators, even when the distributions of both the first- and second-stage estimators are non-normal and when the second-stage estimator's bias, scaled by the square root of the sample size, does not vanish asymptotically. This enables reliable inference in situations where standard methods fail. Additionally, we propose a debiased estimator, based on the mean of the estimated distribution function, which exhibits improved finite sample properties. Unlike resampling methods, our approach avoids the need for multiple calculations of the two-stage estimator. We illustrate the effectiveness of our method in an empirical application on peer effects in adolescent fast-food consumption, where we address the issue of biased instrumental variable estimates resulting from many weak instruments.