Maximum likelihood inference in weakly identified dynamic stochastic general equilibrium models
弱识别动态随机一般均衡模型中的最大似然推断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：摘要聚焦最大似然弱识别与得分检验的一般理论，DSGE提供研究动机，但未明确所列细分方法的直接对应。
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
弱识别动态随机一般均衡模型中的最大似然推断
- 研究问题
- 研究最大似然推断在弱识别下的有效性，以多维DSGE模型为动机，区分完整参数向量和参数子向量的假设检验。
- 方法与思路
- 作者研究两种完整参数向量得分检验，并提出子向量复合假设检验，重点讨论Fisher信息估计并使用鞅理论。
- 材料陈述的贡献
- 摘要称两种得分检验对弱识别稳健；提出的子集检验在干扰参数强识别时渐近精确，明确区分两类推断结论。
- 阅读关注点
- 应核对弱识别的形式、两种得分检验的差别、信息矩阵估计要求，以及子集检验为何依赖干扰参数强识别。
- 阅读边界
- 仅据所给OpenAlex版本摘要，完整正则条件、有限样本表现和模型实施细节未说明；不推断其他版本或刊本变化。
原文摘要
This paper examines the issue of weak identification in maximum likelihood, motivated by problems with estimation and inference in a multidimensional dynamic stochastic general equilibrium model. We show that two forms of the classical score (Lagrange multiplier) test for a simple hypothesis concerning the full parameter vector are robust to weak identification. We also suggest a test for a composite hypothesis regarding a subvector of parameters. The suggested subset test is shown to be asymptotically exact when the nuisance parameter is strongly identified. We pay particular attention to the question of how to estimate Fisher information and we make extensive use of martingale theory.