Small-Sample Properties of Estimators of Nonlinear Models of Covariance Structure
非线性协方差结构模型估计量的小样本性质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：摘要明确将结构 VAR 型误差模型列为考察对象，支持 VAR 方向分类；其他示例的宏观或金融背景未说明。
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
非线性协方差结构模型估计量的小样本性质
- 研究问题
- 非线性协方差结构模型中的 GMM 与最大似然估计在小样本下如何表现，过度识别限制的数量会怎样影响估计与检验？
- 方法与思路
- 作者考察简单因子模型、消费与收入模型及结构 VAR 型误差模型，研究 GMM 和最大似然估计的小样本性质。
- 材料陈述的贡献
- 摘要称，最优加权 GMM 的部分参数估计存在偏差，设定检验实际尺寸高于渐近尺寸，减少过度识别限制可缓解这些问题。
- 阅读关注点
- 阅读时应核对各模型的样本设定、GMM 与最大似然的比较结果，以及减少过度识别限制缓解问题的条件与代价。
- 阅读边界
- 摘要未说明样本规模、偏差大小或最大似然的比较结果；所述结论来自特定模型，不能直接推广到所有 GMM 应用。
原文摘要
This study examines the small sample properties of generalized method of moments (GMM) and maximood likelihood estimators of nonlinear models of covariance structure. It considers the properties of estimates for a simple factor model, the Hall and Mishkin (1982) model of consumption and income, and a simple structural vector-autoregression-type error model. This analysis establishes three basic results. First, optimally weighted GMM estimation yields some biased parameter estimates. Second, GMM estimation yields a model specification test with size substantially greater than the asymptotic size. Third, these problems are mitigated when the number of overidentifying restrictions in a model is reduced.