Kernel-weighted GMM estimators for linear time series models
线性时间序列模型的核加权 GMM 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：摘要直接针对线性时间序列模型，并研究将大量滞后作为工具变量的 GMM，明确属于时间序列方法。
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
线性时间序列模型的核加权 GMM 估计量
- 研究问题
- 在线性时间序列使用大量滞后工具变量时，如何控制 GMM 的高阶偏差，并选择矩条件数量或权重以改善近似均方误差？
- 方法与思路
- 作者分析多滞后工具下 GMM 的高阶渐近性质，以近似均方误差最小化选择矩条件，并提出核加权矩条件与类似带宽选择的可行程序。
- 材料陈述的贡献
- 摘要称，核加权 GMM 相较标准 GMM 能降低渐近偏差，也简化最优工具数量选择，并给出实施核加权估计的可行选择方法。
- 阅读关注点
- 应核对大量滞后的增长条件、偏差与方差展开、核函数及权重的作用，以及近似均方误差和可行带宽准则如何构造。
- 阅读边界
- 仅据所给出版社摘要，不能判断偏差降低幅度、完整正则条件或有限样本表现；降低渐近偏差不等于均方误差在所有设定下更小。
原文摘要
This paper analyzes the higher-order asymptotic properties of generalized method of moments (GMM) estimators for linear time series models using many lags as instruments. A data-dependent moment selection method based on minimizing the approximate mean squared error is developed. In addition, a new version of the GMM estimator based on kernel-weighted moment conditions is proposed. It is shown that kernel-weighted GMM estimators can reduce the asymptotic bias compared to standard GMM estimators. Kernel weighting also helps to simplify the problem of selecting the optimal number of instruments. A feasible procedure similar to optimal bandwidth selection is proposed for the kernel-weighted GMM estimator.