Generalized method of moments with partially missing data
部分数据缺失下的广义矩估计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：摘要研究缺失数据下的一般 GMM 部分识别与推断，未限定处理效应、面板、时间序列或金融应用，细分领域证据不足。
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…
部分数据缺失下的广义矩估计
- 研究问题
- 当部分单位的数据向量存在完全不受限制、可能内生的缺失时，如何刻画广义矩条件下参数的识别集，并进行有效统计推断？
- 方法与思路
- 作者通过与观测数据相容的矩预测凸集的支撑函数刻画识别集，构造检验和置信区域，并采用适用于方向可微泛函的 Bootstrap 修正。
- 材料陈述的贡献
- 摘要称识别集是锐的，适用于连续及离散数据且易于估计；同时指出标准非参数 Bootstrap 可能失效，并提出相应修正。
- 阅读关注点
- 应核对矩预测集合的构造、锐性证明与支持集要求、检验统计量的方向可微性质，以及修正 Bootstrap 的实际计算步骤。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出完整理论条件，模拟表现的陈述限于较大样本及有界支持情形。
原文摘要
We consider a generalized method of moments framework in which a part of the data vector is missing for some units in a completely unrestricted, potentially endogenous way. In this setup, the parameters of interest are usually only partially identified. We characterize the identified set for such parameters using the support function of the convex set of moment predictions consistent with the data. This identified set is sharp, valid for both continuous and discrete data, and straightforward to estimate. We also propose a statistic for testing hypotheses and constructing confidence regions for the true parameter, show that standard nonparametric bootstrap may not be valid, and suggest a fix using the bootstrap for directionally differentiable functionals of Fang and Santos (2019). A set of Monte Carlo simulations demonstrates that both our estimator and the confidence region perform well when samples are moderately large and the data have bounded supports.