A new class of asymptotically efficient estimators for moment condition models
矩条件模型的一类新渐近有效估计量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：摘要聚焦通用矩条件估计理论与计算，未明确指向所列应用领域细分。
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
矩条件模型的一类新渐近有效估计量
- 研究问题
- 如何为矩条件模型构造计算更方便的渐近有效估计量，同时保留广义经验似然估计量的高阶偏差和偏差修正后的效率性质？
- 方法与思路
- 作者提出新的估计量类别，分析其与广义经验似然的高阶性质关系，并通过模拟比较两步 GMM 及其他候选方法。
- 材料陈述的贡献
- 摘要称，新估计量具有相应高阶性质且更易计算；模拟中其有限样本表现优于两步 GMM，并显示较好的计算稳定性。
- 阅读关注点
- 应核对估计目标与算法、高阶展开所需条件、偏差修正方式，以及模拟中计算成本、失败率和统计误差的比较标准。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体估计式、计算优势的规模或高阶结论的条件；有限样本优势仅由所述模拟支持。
原文摘要
In this paper, we propose a new class of asymptotically efficient estimators for moment condition models. These estimators share the same higher order bias properties as the generalized empirical likelihood estimators and once bias corrected, have the same higher order efficiency properties as the bias corrected generalized empirical likelihood estimators. Unlike the generalized empirical likelihood estimators, our new estimators are much easier to compute. A simulation study finds that our estimators have better finite sample performance than the two-step GMM, and compare well to several potential alternatives in terms of both computational stability and overall performance.