Generalized method of moments (GMM) based inference with stratified samples when the aggregate shares are known
总体分层份额已知时分层样本的 GMM 推断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：摘要仅说明分层抽样下的一般 GMM 推断问题，没有提供因果、面板、宏观或金融等细分方向的充分文本依据。
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
总体分层份额已知时分层样本的 GMM 推断
- 研究问题
- 当数据来自分层抽样且总体各层份额已知时，如何利用这些份额信息进行有效的基于矩条件的估计与统计推断？
- 方法与思路
- 作者以总体分层份额已知为维持假设，讨论分层样本下的广义矩估计推断；摘要未说明矩条件调整、权重或方差计算的具体形式。
- 材料陈述的贡献
- 摘要称给出在分层抽样和总体份额已知条件下开展有效矩推断的方法，但没有进一步列出效率界、估计公式或应用结果。
- 阅读关注点
- 应核对总体份额如何进入矩条件与最优权重、各层抽样机制需要哪些条件，以及分层设计对标准误和效率比较的影响。
- 阅读边界
- 解读限于所给出版社摘要；摘要极为简短，未说明适用模型、正则条件或未知份额时的处理，不能推广到任意复杂抽样设计。
原文摘要
We show how to do efficient moment based inference using the generalized method of moments (GMM) when data is collected by stratified sampling and the maintained assumption is that the aggregate shares are known.