GMM with Multiple Missing Variables
多个变量缺失情形下的广义矩估计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：摘要聚焦缺失变量下的一般矩条件识别与有效估计，工具变量模拟和教育应用尚不足以明确归入所列细分方向。
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
多个变量缺失情形下的广义矩估计
- 研究问题
- 在多个变量呈非单调随机缺失（MAR）的矩条件模型中，如何识别目标参数，并构造具有半参数效率的GMM估计量？
- 方法与思路
- 作者在一种MAR条件下建立参数点识别，给出有效影响函数的闭式表达，并据此在标准正则条件下构造半参数有效GMM估计量。
- 材料陈述的贡献
- 摘要称，所设小规模模拟中的渐近优势延伸至有限样本；儿童受教育年限与兄弟姐妹数量的应用结果也与常用方法有实质差异。
- 阅读关注点
- 重点核对MAR条件如何支持点识别、效率结论依赖哪些正则条件，以及有效影响函数怎样落实为可行估计和有限样本比较。
- 阅读边界
- 摘要未说明MAR条件的细节、具体实现和模拟设计；小规模实验与单一应用不足以判断其在其他缺失环境中的表现。
原文摘要
We consider efficient estimation in moment conditions models with non-monotonically missing-at-random (MAR) variables. A version of MAR point-identifies the parameters of interest and gives a closed-form efficient influence function that can be used directly to obtain efficient semi-parametric generalized method of moments (GMM) estimators under standard regularity conditions. A small-scale Monte Carlo experiment with MAR instrumental variables demonstrates that the asymptotic superiority of these estimators over the standard methods carries over to finite samples. An illustrative empirical study of the relationship between a child's years of schooling and number of siblings indicates that these GMM estimators can generate results with substantive differences from standard methods. Copyright © 2015 John Wiley & Sons, Ltd.