High dimensional generalized empirical likelihood for moment restrictions with dependent data
弱依赖数据下高维矩约束的广义经验似然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：摘要明确讨论弱依赖观测与高维时间序列下的估计和检验。
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…
弱依赖数据下高维矩约束的广义经验似然
- 研究问题
- 当参数和矩约束维数随样本量增长且数据存在弱依赖时，广义经验似然估计、参数推断和过度识别检验如何成立？
- 方法与思路
- 作者通过约束参数维数、矩条件维数与依赖程度的增长，推导最大广义经验似然的渐近性质，并提出稀疏情形的惩罚方法。
- 材料陈述的贡献
- 摘要称获得一致性、收敛速度和渐近正态性，高维时间序列下似然比仍可具有渐近卡方行为，并给出一致的过度识别检验。
- 阅读关注点
- 应核对维数与依赖程度的联合限制、经验似然比的归一化及自由度处理，以及惩罚方法所需的稀疏性条件和调参规则。
- 阅读边界
- 仅据所给出版社摘要，无法判断允许的具体维数增长速度、弱依赖条件或有限样本表现；不能推广到任意高维相关数据。
原文摘要
This paper considers the maximum generalized empirical likelihood (GEL) estimation and inference on parameters identified by high dimensional moment restrictions with weakly dependent data when the dimensions of the moment restrictions and the parameters diverge along with the sample size. The consistency with rates and the asymptotic normality of the GEL estimator are obtained by properly restricting the growth rates of the dimensions of the parameters and the moment restrictions, as well as the degree of data dependence. It is shown that even in the high dimensional time series setting, the GEL ratio can still behave like a chi-square random variable asymptotically. A consistent test for the over-identification is proposed. A penalized GEL method is also provided for estimation under sparsity setting.