Choosing instrumental variables in conditional moment restriction models
条件矩限制模型中的工具变量选择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：摘要研究通用条件矩模型的工具变量选择，未明确对应所列经济领域细分。
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…
条件矩限制模型中的工具变量选择
- 研究问题
- 增加工具变量可能提高渐近效率，却扩大有限样本偏差或方差；如何为条件矩模型选择合适的工具变量集合？
- 方法与思路
- 作者基于渐近均方误差构造工具变量选择准则，分别考虑两步最优 GMM、偏差校正 GMM 及广义经验似然估计。
- 材料陈述的贡献
- 摘要称其建立并实施矩选择准则，比较 CUE 与校正 GMM 的高阶方差，并指出其他 GEL 的高阶效率依赖条件峰度。
- 阅读关注点
- 应核对均方误差展开的渐近框架、候选工具变量数量限制，以及未知异方差与条件峰度如何进入选择准则。
- 阅读边界
- 仅据所给出版社摘要；准则公式和有效条件未说明，高阶方差比较不能直接推出所有样本中均方误差更低。
原文摘要
Properties of GMM estimators are sensitive to the choice of instrument. Using many instruments leads to high asymptotic asymptotic efficiency but can cause high bias and/or variance in small samples. In this paper we develop and implement asymptotic mean square error (MSE) based criteria for instrument selection in estimation of conditional moment restriction models. The models we consider include various nonlinear simultaneous equations models with unknown heteroskedasticity. We develop moment selection criteria for the familiar two-step optimal GMM estimator (GMM), a bias corrected version, and generalized empirical likelihood estimators (GEL), that include the continuous updating estimator (CUE) as a special case. We also find that the CUE has lower higher-order variance than the bias-corrected GMM estimator, and that the higher-order efficiency of other GEL estimators depends on conditional kurtosis of the moments.