SGMM: Stochastic Approximation to Generalized Method of Moments
SGMM：广义矩估计的随机逼近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：摘要研究通用矩限制模型的在线估计与检验，未说明足以支持具体领域分类的实证对象。
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…
SGMM：广义矩估计的随机逼近
- 研究问题
- 如何对过度识别的矩限制模型进行可扩展、实时在线估计与推断，并在大样本下兼顾传统离线 GMM 的估计精度？
- 方法与思路
- 作者提出随机逼近式 SGMM，分析在线两阶段最小二乘与有效 SGMM，并构造在线内生性检验及过度识别检验。
- 材料陈述的贡献
- 摘要称建立几乎处处收敛和函数型中心极限定理；模拟显示随样本增大，精度接近离线 GMM，计算效率有所改善。
- 阅读关注点
- 应核对矩条件、学习步长和权重矩阵更新、在线有效性的定义，以及检验统计量与流式数据处理所需的依赖条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供完整算法条件或资源数值，不能判断所有场景的效率优势。
原文摘要
We introduce a new class of algorithms, Stochastic Generalized Method of Moments (SGMM), for estimation and inference on (overidentified) moment restriction models. Our SGMM is a novel stochastic approximation alternative to the popular Hansen (1982) (offline) GMM, and offers fast and scalable implementation with the ability to handle streaming datasets in real time. We establish the almost sure convergence, and the (functional) central limit theorem for the inefficient online 2SLS and the efficient SGMM. Moreover, we propose online versions of the Durbin-Wu-Hausman and Sargan-Hansen tests that can be seamlessly integrated within the SGMM framework. Extensive Monte Carlo simulations show that as the sample size increases, the SGMM matches the standard (offline) GMM in terms of estimation accuracy and gains over computational efficiency, indicating its practical value for both large-scale and online datasets. We demonstrate the efficacy of our approach by a proof of concept using two well known empirical examples with large sample sizes.