Semiparametric efficiency in GMM models with auxiliary data
使用辅助数据的 GMM 模型半参数效率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通用矩条件模型的效率，未明确因果、面板或其他所列细分应用。
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…
使用辅助数据的 GMM 模型半参数效率
- 研究问题
- 当矩条件涉及缺失变量且可借助辅助数据识别时，样本关系和缺失概率信息如何影响效率界与有效估计方法？
- 方法与思路
- 作者依靠两数据集共享的缺失变量给定代理变量的条件分布，分别分析辅助样本独立或嵌套、缺失概率已知或未知等情形。
- 材料陈述的贡献
- 摘要称，推导各情形的效率界并讨论有效估计；独立样本下条件缺失概率并非辅助量，条件期望投影所需正则条件较逆概率加权温和。
- 阅读关注点
- 应核对跨数据集条件分布相同的识别依据、代理变量与缺失机制的关系，以及效率界和两类估计方法所需条件的具体差别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出全部识别与正则条件，较温和条件不直接意味着有限样本表现更佳。
原文摘要
We study semiparametric efficiency bounds and efficient estimation of parameters defined through general moment restrictions with missing data. Identification relies on auxiliary data containing information about the distribution of the missing variables conditional on proxy variables that are observed in both the primary and the auxiliary database, when such distribution is common to the two data sets. The auxiliary sample can be independent of the primary sample, or can be a subset of it. For both cases, we derive bounds when the probability of missing data given the proxy variables is unknown, or known, or belongs to a correctly specified parametric family. We find that the conditional probability is not ancillary when the two samples are independent. For all cases, we discuss efficient semiparametric estimators. An estimator based on a conditional expectation projection is shown to require milder regularity conditions than one based on inverse probability weighting.