A NOTE ON GENERALIZED EMPIRICAL LIKELIHOOD ESTIMATION OF SEMIPARAMETRIC CONDITIONAL MOMENT RESTRICTION MODELS
半参数条件矩限制模型的广义经验似然估计札记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：摘要提供通用半参数条件矩估计理论，未明确时间序列、面板、选择或金融等具体对象，证据不足以归入所列细分领域。
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
半参数条件矩限制模型的广义经验似然估计札记
- 研究问题
- 对于同时包含有限维参数和未知函数的半参数条件矩限制模型，如何联合估计两者，并使有限维参数获得有效的渐近推断？
- 方法与思路
- 作者以筛方法逼近未知函数，在经验似然框架下联合估计函数与有限维参数，分析一致性、收敛速率及参数部分的极限分布。
- 材料陈述的贡献
- 摘要称，方法将已有条件矩估计结果扩展到包含未知函数的情形，并建立有限维参数的根号样本量一致性、正态性与渐近效率。
- 阅读关注点
- 应核对条件矩的识别要求、筛空间与维数增长条件，以及未知函数的估计误差为何不妨碍有限维参数达到所述效率。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能判断筛近似误差、完整正则条件或效率界的具体形式，也未提供计算和有限样本证据。
原文摘要
This paper proposes an empirical likelihood-based estimation method for semiparametric conditional moment restriction models, which contain finite dimensional unknown parameters and unknown functions. We extend the results of Donald, Imbens, and Newey (2003, Journal of Econometrics 117, 55–93) by allowing unknown functions to be included in the conditional moment restrictions. We approximate unknown functions by a sieve method and estimate the finite dimensional parameters and unknown functions jointly. We establish consistency and derive the convergence rate of the estimator. We also show that the estimator of the finite dimensional parameters is $\sqrt n$ -consistent, asymptotically normally distributed, and asymptotically efficient.