Higher Order Properties of Gmm and Generalized Empirical Likelihood Estimators
GMM 与广义经验似然估计量的高阶性质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：摘要明确将最优权重矩阵估计引起的 GMM 偏差联系到面板数据模型，因此选择面板数据方向。
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
GMM 与广义经验似然估计量的高阶性质
- 研究问题
- 经验似然、连续更新和指数倾斜估计能否在统一框架下比较，并解释它们相对 GMM 的偏差来源与高阶渐近效率差异？
- 方法与思路
- 作者将这些替代方法纳入广义经验似然类，利用共同结构比较高阶渐近性质，分析不同偏差来源，并给出 GMM 与 GEL 的偏差校正估计量。
- 材料陈述的贡献
- 摘要称 GEL 消除矩函数与雅可比相关导致的渐近偏差，EL 另消除最优权重矩阵估计导致的偏差；校正后的 EL 相对其他校正估计量具有高阶渐近效率优势。
- 阅读关注点
- 阅读全文时应核对矩条件和正则性假设、偏差项的展开阶数，以及效率比较使用的准则；尤其关注面板模型中最优权重矩阵估计的作用。
- 阅读边界
- 摘要未说明高阶展开成立的具体条件、面板结构或校正实施细节；消除特定偏差来源不等于完全无偏，高阶效率结论也不能直接转为普遍的小样本优势。
原文摘要
In an effort to improve the small sample properties of generalized method of mo-ments (GMM) estimators, a number of alternative estimators have been suggested. These include empirical likelihood (EL), continuous updating, and exponential tilt-ing estimators. We show that these estimators share a common structure, being members of a class of generalized empirical likelihood (GEL) estimators. We use this structure to compare their higher order asymptotic properties. We find that GEL has no asymptotic bias due to correlation of the moment functions with their Jacobian, eliminating an important source of bias for GMM in models with endo-geneity. We also find that EL has no asymptotic bias from estimating the optimal weight matrix, eliminating a further important source of bias for GMM in panel data models. We give bias corrected GMM and GEL estimators. We also show that bias corrected EL inherits the higher order property of maximum likelihood, that it is higher order asymptotically efficient relative to the other bias corrected estimators.