The asymptotic properties of GMM and indirect inference under second-order identification
二阶识别下 GMM 与间接推断的渐近性质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：论文的一般识别理论本身未对应特定细分，但摘要明确在动态面板模型中展示二阶识别及推断，因此选择面板数据。
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
二阶识别下 GMM 与间接推断的渐近性质
- 研究问题
- 研究局部识别的一阶条件失效、但二阶条件成立时，GMM 与间接推断估计量具有何种极限分布，以及如何进行参数推断。
- 方法与思路
- 作者建立二阶识别下的非标准极限分布理论，通过模拟这些分布实施推断，并以非线性矩限制的动态面板模型展示方法。
- 材料陈述的贡献
- 摘要称，极限分布易于模拟；在一阶识别失效点附近的中大样本模拟中，新理论提供可靠推断，而标准渐近推断表现误导。
- 阅读关注点
- 应核对二阶识别的精确定义、参数收敛速率和分布模拟步骤，并检查失效点附近的推断是否具有统一有效性保证。
- 阅读边界
- 仅据所给出版社摘要，无法判断结论覆盖哪些弱识别邻域或更高阶失效情形；模拟可靠性不能替代未说明的统一理论保证。
原文摘要
This paper presents a limiting distribution theory for GMM and Indirect Inference estimators when local identification conditions fail at first-order but hold at second-order. These limit distributions are shown to be non-standard, but we show that they can be easily simulated, making it possible to perform inference about the parameters in this setting. We illustrate our results in the context of a dynamic panel data model in which the parameter of interest is identified locally at second order by non-linear moment restrictions but not at first order at a particular point in the parameter space. Our simulation results indicate that our theory leads to reliable inferences in moderate to large samples in the neighbourhood of this point of first-order identification failure. In contrast, inferences based on standard asymptotic theory (derived under the assumption of first-order local identification) are very misleading in the neighbourhood of the point of first-order local identification failure.