Identification and Lack of Identification
识别与不可识别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：摘要围绕参数识别与非标准渐近分布的一般理论，未指定面板、因果设计、时间序列或金融对象，无法据此细分。
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
识别与不可识别
- 研究问题
- 对于变量线性而参数非线性的模型，通常意义的不可识别与一阶不可识别有何区别，后一种情形怎样影响常用估计量的渐近分布？
- 方法与思路
- 作者区分两类不可识别条件，讨论由系数对参数的一阶导数刻画的情形，并分析一个特殊情形的渐近分布，以简单模型模拟考察近似效果。
- 材料陈述的贡献
- 摘要称一阶不可识别所需条件较少；作者认为此时常用估计量一般仍一致，但不渐近正态，并以特殊情形和模拟讨论其分布。
- 阅读关注点
- 核对两类不可识别的精确定义、一阶导数条件与估计量一致性的关系，并检查特殊情形的收敛速度、极限分布及模拟适用范围。
- 阅读边界
- 摘要未给出特殊情形的模型、收敛速度和完整条件；一致性陈述带有“一般而言”的限定，不能推广为所有不可识别模型均可一致估计。
原文摘要
THIS PAPER IS INTENDED to stress the distinction between the conditions for lack of identification in models linear with respect to the variables but nonlinear in the parameters in the sense originally defined by Fisher [2], and the less numerous set of conditions required for first order lack of identification. The latter set of conditions involve only the first derivatives of the coefficients as functions of the parameters. It is argued that if the model suffers from first order lack of identification, it will generally be the case that the usual estimators are consistent, although not asymptotically normally distributed. In a leading special case the asymptotic distribution is discussed, and the simulation of a simple model illustrates the extent to which this asymptotic distribution approximates the actual finite sample distribution.