Culling the Herd of Moments with Penalized Empirical Likelihood
利用惩罚经验似然筛选矩条件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：摘要虽提及结构计量估计，但具体研究对象是通用高维矩条件模型，未明确给定细分领域。
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
利用惩罚经验似然筛选矩条件
- 研究问题
- 在高维矩条件模型中，如何利用大量有效矩提高估计效率，同时检测可能破坏一致性的无效矩，并改善参数推断？
- 方法与思路
- 作者提出惩罚经验似然估计以筛选无效矩，研究其预言性质和渐近正态性，再通过投影程序消除渐近偏差。
- 材料陈述的贡献
- 摘要称，方法能够一致检测无效矩，投影程序可消除渐近偏差并改善有限样本的正态近似；模拟支持其估计与推断表现。
- 阅读关注点
- 应核对有效矩的识别依据、维度增长与稀疏性条件、惩罚参数选择，以及投影步骤如何处理筛选误差和渐近偏差。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；预言性质和无效矩检测的具体条件未说明，也未给出模拟数值，不能推断普遍优越性。
原文摘要
Models defined by moment conditions are at the center of structural econometric estimation, but economic theory is mostly agnostic about moment selection. While a large pool of valid moments can potentially improve estimation efficiency, in the meantime a few invalid ones may undermine consistency. This article investigates the empirical likelihood estimation of these moment-defined models in high-dimensional settings. We propose a penalized empirical likelihood (PEL) estimation and establish its oracle property with consistent detection of invalid moments. The PEL estimator is asymptotically normally distributed, and a projected PEL procedure further eliminates its asymptotic bias and provides more accurate normal approximation to the finite sample behavior. Simulation exercises demonstrate excellent numerical performance of these methods in estimation and inference.