Continuously Updating GMM in Linear IV Models: A Polynomial Approach
线性IV模型中持续更新GMM的多项式方法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：摘要聚焦线性IV模型中CU-GMM目标函数的代数刻画与检验构造，属于计量经济理论与方法，未直接对应所列微观、宏观或金融领域细分，故留空。
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…
线性IV模型中持续更新GMM的多项式方法
- 研究问题
- 研究在线性工具变量模型中，持续更新广义矩方法（CU-GMM）目标函数的全局最小值如何刻画与求解，并允许异方差、自相关或聚类下的最优权重矩阵。
- 方法与思路
- 作者提出将CU-GMM目标函数表示为多项式之比；对单一内生回归元，平稳点是伴随矩阵的实特征值，通过与无穷远点目标值比较确定全局最小；对多个内生回归元，用代数消元并检验实解，在有限个候选值（含边界值）中识别最小值。
- 材料陈述的贡献
- 摘要称该文刻画了CU-GMM目标的全局最小值，将有限信息极大似然的经典特征向量方法加以推广；并指出伽罗瓦理论排除了即使一个内生回归元、两个工具变量情形下的一般根式公式，但数值求根仍可行；求得全局最小后可计算过度识别检验与似然比检验，包括条件似然比（CLR）检验。
- 阅读关注点
- 阅读全文时应核对：多项式之比表示所需的具体假设与权重矩阵设定；伴随矩阵构造与无穷远点比较的细节；多内生回归元时候选值枚举与边界处理的完备性；伽罗瓦理论结论的确切适用范围；以及所提检验的有限样本表现与实现方式。
- 阅读边界
- 这是arXiv预印本，同行评审状态未经验证，不能据此声称已被期刊接收。摘要未说明模拟设计、实证数据、有限样本性质及计算复杂度等细节，以上均为摘要陈述，未独立验证。
原文摘要
This paper characterizes the global minimum of the continuously updating generalized method of moments (CU-GMM) objective in linear instrumental variables models. We allow optimal weighting matrices under heteroskedasticity, autocorrelation, or clustering. We show that the objective is a ratio of polynomials. For one endogenous regressor, stationary points of CU-GMM objective function are real eigenvalues of a companion matrix. Comparing their objective values with the value at infinity gives the global minimum, extending the classical eigenvector approach to limited information maximum likelihood. With multiple endogenous regressors, algebraic elimination and checks for real solutions identify the minimum among finitely many candidate objective values, including boundary values. Galois theory rules out general formulas by radicals even with one endogenous regressor and two instruments, while numerical root finding remains possible. Finding the global minimum allows us to compute overidentification and likelihood ratio tests, including the conditional likelihood ratio (CLR) test.