Root- Asymptotically Normal Maximum Score Estimation
根号 n 渐近正态的最大得分估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以二元选择模型的最大得分估计及其识别和渐近推断为研究对象。
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…
根号 n 渐近正态的最大得分估计
- 研究问题
- 二元选择模型的最大得分方法通常具有较慢收敛和非标准极限分布，在哪些条件下可以获得根号 n 收敛与渐近正态性？
- 方法与思路
- 作者研究严格凹替代得分函数能否通过光滑准则实现识别，并用原始条件刻画其成立范围，再以模拟考察估计与标准推断。
- 材料陈述的贡献
- 摘要称所构造的光滑准则在相应条件下实现根号 n 收敛和正态极限，模拟支持这些性质及标准推断方法的有效性。
- 阅读关注点
- 核对替代得分是否识别原目标参数、严格凹性与光滑性的原始条件，以及这些条件相对传统最大得分模型的额外限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要强调所需条件并不简单，但未列出条件，不能视为一般性的速率提升。
原文摘要
The maximum score method (Manski, 1975, 1985) is a powerful approach for binary choice models, yet it is known to face both practical and theoretical challenges. In particular, the estimator converges at a slower-than-root-$n$ rate to a nonstandard limiting distribution. We investigate conditions under which strictly concave surrogate score functions can be employed to achieve identification through a smooth criterion function. This criterion enables root-$n$ convergence to a normal limiting distribution. While the conditions to guarantee these desired properties are nontrivial, we characterize them in terms of primitive conditions. Extensive simulation studies support, the root-$n$ convergence rate, the asymptotic normality, and the validity of the standard inference methods.