Double robust inference for continuous updating GMM
连续更新 GMM 的双重稳健推断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：摘要明确将检验用于风险溢价分析与具有常相对风险厌恶的非线性资产定价模型。
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
连续更新 GMM 的双重稳健推断
- 研究问题
- 当模型可能误设且参数识别较弱时，如何检验总体连续更新目标函数最小化点上的假设，并区分伪真值与结构参数真值？
- 方法与思路
- 作者提出双重稳健拉格朗日乘子统计量，以对误设和弱识别稳健的卡方极限界限进行检验，并应用于风险溢价及非线性资产定价。
- 材料陈述的贡献
- 摘要称，所提检验同时容许模型误设与弱识别；检验对象为伪真值，在模型正确设定时该值等于结构参数的真实值。
- 阅读关注点
- 应核对卡方界限与拒绝规则的关系、伪真值的定义及唯一性条件，以及资产定价应用如何处理误设、弱识别和风险溢价参数。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断检验的精确条件、保守程度及有限样本功效；摘要所称双重稳健针对误设与弱识别。
原文摘要
We propose the double robust Lagrange multiplier (DRLM) statistic for testing hypotheses specified on the minimizer of the population continuous updating objective function. The (bounding) χ 2 limiting distribution of the DRLM statistic is robust to both misspecification and weak identification, hence its name. The minimizer is the so‐called pseudo‐true value, which equals the true value of the structural parameter under correct specification. To emphasize its importance for applied work where misspecification and weak identification are common, we use the DRLM test to analyze: the risk premia in Adrian et al. (2014) and He et al. (2017); the structural parameters in a nonlinear asset pricing model with constant relative risk aversion.