A Generalized Poisson-Pseudo Maximum Likelihood Estimator
广义泊松伪极大似然估计量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：摘要聚焦通用条件均值估计与方差设定检验，贸易应用不足以支持所列专门领域分类。
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
广义泊松伪极大似然估计量
- 研究问题
- 当条件方差与条件均值之比不恒定时，如何检验这一设定，并利用条件方差信息改善泊松伪极大似然估计效率？
- 方法与思路
- 作者通过迭代 GMM 估计条件方差，构造恒定方差均值比的设定检验，再将方差估计用于广义 PPML 估计。
- 材料陈述的贡献
- 摘要称建立了渐近性质；贸易流量应用中多数情形满足恒定比率假设，并报告广义 PPML 标准误约比 PPML 小两成。
- 阅读关注点
- 应核对条件均值与方差的设定要求、方差估计误差如何进入推断，以及效率比较依据和贸易应用中的检验结果。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未给出效率结论的完整条件，标准误降幅属于所述应用，不能外推或推断刊本变化。
原文摘要
We examine the Constant Variance to Mean Ratio (CVMR) assumption – a key condition to make PPML an efficient estimator – and propose Generalized Poisson-Pseudo Maximum Likelihood (G-PPML) as a complementary estimator. We estimate the conditional variance of the dependent variable using an iterated GMM, thereby providing a specification test for the CVMR assumption. The proposed G-PPML estimator, which capitalizes on conditional variance estimates, is more efficient than existing PML estimators. After establishing the asymptotic properties of the G-PPML estimator, we verify that it performs well under fairly general assumptions about the conditional variance. Our empirical application to trade flows data demonstrates that the CVMR assumption is satisfied in most but not all cases. The standard errors of G-PPML are approximately 20% smaller than those of PPML, demonstrating its improved estimation efficiency.