More efficient estimation under non-normality when higher moments do not depend on the regressors, using residual augmented least squares
高阶矩不依赖解释变量时的非正态高效估计：残差增广最小二乘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：摘要讨论通用回归与 GMM 的效率改进，未提供所列具体领域的直接文本依据。
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…
关注这篇论文的作者
高阶矩不依赖解释变量时的非正态高效估计：残差增广最小二乘
- 研究问题
- 当误差非正态、但其高阶矩不依赖解释变量时，能否利用这些额外限制提高最小二乘估计的渐近效率？
- 方法与思路
- 作者在 GMM 框架中利用高阶矩限制，并以最小二乘残差的函数增广线性回归，构造易计算的替代估计量。
- 材料陈述的贡献
- 摘要称，高阶矩限制可用于获得非正态情形下的效率增益，且所给简单回归估计量与相应 GMM 估计量渐近等价。
- 阅读关注点
- 应核对使用哪些高阶矩、残差增广项的形式，以及渐近等价和效率改善依赖的矩存在性与其他正则条件。
- 阅读边界
- 仅据所给出版社摘要，无法确定效率增益大小或有限样本表现；高阶矩独立限制不成立时的方法性质也未说明。
原文摘要
Under normality, least squares is efficient. However, if the errors are not normal, we can gain efficiency from the assertion that higher moments do not depend on the regressors. In this paper, we show how the assumption that higher moments do not depend on the regressors can be exploited in a GMM framework, and we provide simple estimators that are asymptotically equivalent to the GMM estimators. These estimators can be calculated by linear regressions which have been augmented with functions of the least squares residuals.