Hybrid generalized empirical likelihood estimators: Instrument selection with adaptive lasso
混合广义经验似然估计：使用自适应Lasso选择工具变量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：摘要研究通用工具变量筛选与GEL估计，未指定因果识别设计、面板结构或其他所列应用方向。
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
混合广义经验似然估计：使用自适应Lasso选择工具变量
- 研究问题
- 在广义经验似然估计中，如何筛选相关工具变量并剔除无关工具变量，以及自适应Lasso选择能否支持一致性与误差改善？
- 方法与思路
- 作者先以自适应Lasso选择工具变量，再将入选变量用于GEL估计，并把相关极限理论扩展到异方差与非高斯数据情形。
- 材料陈述的贡献
- 摘要称固定工具变量数量下自适应Lasso可正确选择模型，而普通Lasso不具所述选择一致性；部分模拟中混合GEL偏差和均方误差更小。
- 阅读关注点
- 应核对工具变量相关性与有效性的区分、初始权重和惩罚参数选择，以及固定工具数量条件和选择后估计的极限理论。
- 阅读边界
- 仅据所给出版社摘要，不能将剔除无关工具变量理解为识别无效工具变量；误差改善仅见于部分模拟，具体条件未说明。
原文摘要
In this paper, we use the adaptive lasso estimator to choose the relevant instruments and eliminate the irrelevant instruments. The limit theory of Zou (2006) is extended from univariate iid case to heteroskedastic and non Gaussian data. Then we use the selected instruments in generalized empirical likelihood estimators (GEL). In this sense, these are called hybrid GEL. It is also shown that the lasso estimators are not model selection consistent whereas the adaptive lasso can select the correct model with fixed number of instruments. In simulations we show that hybrid GEL estimators have smaller bias and mean squared error than the other estimators in certain cases.