ON THE ASYMPTOTIC EFFICIENCY OF GMM
GMM 的渐近效率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。
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：摘要明确将效率分析扩展至自相关矩条件，并研究 Markov 观测下的动态模型。
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
GMM 的渐近效率
- 研究问题
- 矩条件需要具备什么性质，GMM 才能达到极大似然效率；在具有条件矩限制的 Markov 模型中，效率界如何刻画？
- 方法与思路
- 作者用再生核 Hilbert 空间内积表征 GMM 方差，分析得分与矩条件张成空间的关系，并推导动态模型的半参数效率界。
- 材料陈述的贡献
- 摘要称得分属于矩条件线性空间的闭包是达到极大似然效率的充要条件，并将结果扩展至自相关矩及无限矩限制。
- 阅读关注点
- 应核对闭包与内积的定义、最优权重及相关性处理，并检查 Markov 条件矩模型中连续统矩条件达到效率界的条件。
- 阅读边界
- 仅依据所给 Crossref 摘要版本，未核验刊本变化；摘要未说明完整正则条件，也未交代无限或连续统矩条件的可行计算方法。
原文摘要
The efficiency of the generalized method of moment (GMM) estimator is addressed by using a characterization of its variance as an inner product in a reproducing kernel Hilbert space. We show that the GMM estimator is asymptotically as efficient as the maximum likelihood estimator if and only if the true score belongs to the closure of the linear space spanned by the moment conditions. This result generalizes former ones to autocorrelated moments and possibly infinite number of moment restrictions. Second, we derive the semiparametric efficiency bound when the observations are known to be Markov and satisfy a conditional moment restriction. We show that it coincides with the asymptotic variance of the optimal GMM estimator, thus extending results by Chamberlain (1987, Journal of Econometrics 34, 305–33) to a dynamic setting. Moreover, this bound is attainable using a continuum of moment conditions.