Semiparametric Estimation of Index Coefficients
指标模型系数的半参数估计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：摘要讨论一般指标模型与半参数估计，未限定离散选择、因果推断或具体经济应用，现有领域细分缺少直接依据。
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…
指标模型系数的半参数估计
- 研究问题
- 在不预先指定一般回归函数形式的指标模型中，如何利用密度加权平均导数估计指标系数，并构造可用的渐近方差估计？
- 方法与思路
- 作者把密度加权平均导数写成乘积矩形式，以回归变量密度的核估计构造样本对应量，并用特定线性工具变量系数估计其规范化版本。
- 材料陈述的贡献
- 摘要给出指标系数的半参数估计方案及渐近方差协方差矩阵的一致估计，并通过有限的蒙特卡洛模拟考察程序的实际表现。
- 阅读关注点
- 应核对平均导数与指标系数之间的识别关系、规范化规则、工具变量构造，以及核估计的光滑性、边界和带宽条件。
- 阅读边界
- 摘要未交代系数识别与渐近推导的完整条件，也未报告模拟设计和结果数值；有限的模拟不能支持对各种数据情形的普遍性能判断。
原文摘要
This paper gives a solution to the problem of estimating coefficients of index models, through the estimation of the density-weighted average derivative of a general regression function. A normalized version of the density-weighted average derivative can be estimated by certain linear instrumental variables coefficients. The estimators, based on sample analogies of the product moment representation of the average derivative, are constructed using nonparametric kernel estimators of the density of the regressors. Consistent estimators of the asymptotic variance-covariance matrices of the estimators are given, and a limited Monte Carlo simulation is used to study the practical performance of the procedures. Copyright 1989 by The Econometric Society.