K-Class Estimators: The Optimum Normalization for Finite Samples
k 类估计量：有限样本中的最优归一化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：摘要直接讨论含内生变量方程的 k 类估计与系数归一化，关联结构方程估计。
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
k 类估计量：有限样本中的最优归一化
- 研究问题
- 研究含多个内生变量的方程，即使目标是同一组归一化系数，不同估计归一化方式如何影响有限样本表现。
- 方法与思路
- 作者将分析限定于 k 类估计量，采用小样本分析技术，以变量与扰动的相关关系衡量内生性并比较归一化。
- 材料陈述的贡献
- 摘要称，在若干重要限定下，应对内生性最强的变量进行归一化；相关限定及最优性评价标准未说明。
- 阅读关注点
- 应核对归一化与系数转换的关系、小样本比较准则及重要限定；摘要中变量数和相关系数记号需查阅原 PDF。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。数学上下标疑似丢失，不能重构内生性指标公式；关键限定未提供，须查原 PDF，亦不能推断刊本变化。
原文摘要
Frequently, in estimating an equation, one is interested in a particular set of normalized coefficients. There is still a normalization problem, however, for if an equation contains m 1 endogenous variables, there are m 1 ways to estimate the same coefficients. The purpose of this article is to determine the optimum normalization for finite samples. Restricting the analysis to k-class estimators and employing Kadane's small sample technique [9], let p 2 i denote the correlation coefficient between the ith endogenous variable and the disturbance. Then, measuring “endogenousness” by p 2 i , this article shows that subject to several important qualifications, one should normalize on the most endogenous variable.