Testing over-identifying restrictions without consistent estimation of the asymptotic covariance matrix
无需一致估计渐近协方差矩阵的过度识别限制检验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：摘要是一般GMM过度识别检验理论，序列相关本身不足以限定具体时间序列应用方向。
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…
无需一致估计渐近协方差矩阵的过度识别限制检验
- 研究问题
- 在存在未知形式异方差和序列相关时，如何检验过度识别限制，同时避免一致估计渐近协方差矩阵和选择核带宽？
- 方法与思路
- 作者使用能在极限中消除干扰参数的归一化矩阵构造检验，并仅要求GMM估计量一致，而不必达到最优效率。
- 材料陈述的贡献
- 摘要称提出了对异方差与序列相关稳健的新检验；模拟显示其尺寸表现适当，功效可能与传统检验相当。
- 阅读关注点
- 应核对归一化矩阵的构造、消除干扰参数所需条件，以及临界值计算和不同GMM初始估计量对检验的影响。
- 阅读边界
- 仅据所给出版社摘要，无法判断所有依赖结构下的有效性；模拟中的尺寸与可比功效不构成普遍优于传统检验的证据。
原文摘要
We propose new over-identifying restriction (OIR) tests that are robust to heteroskedasticity and serial correlations of unknown form. The proposed tests do not require consistent estimation of the asymptotic covariance matrix and hence avoid choosing the bandwidth in nonparametric kernel estimation. Instead, they rely on the normalizing matrices that can eliminate the nuisance parameters in the limit. Compared with the conventional OIR test, the proposed tests require only a consistent, but not necessarily optimal, GMM estimator. Our simulations demonstrate that these tests are properly sized and may have power comparable with that of the conventional OIR test.