Optimally‐Transported Generalized Method of Moments
基于最优传输的广义矩估计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：摘要提出一般矩条件估计方法，城市出口应用不足以确定某一所列计量细分，尤其未明确因果或结构识别框架。
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
基于最优传输的广义矩估计
- 研究问题
- 当过度识别检验拒绝矩条件时，能否通过明确的变量误差解释估计结果，而不是仅依赖重新加权数据满足矩条件？
- 方法与思路
- 作者基于最优传输与 Wasserstein 度量，寻找使全部矩条件同时成立所需的最小均方变量扰动，构造新的 GMM 方法。
- 材料陈述的贡献
- 摘要称，该方法为被拒绝的矩条件提供变量误差解释；交通基础设施与城市出口应用在更弱假设下支持原研究并揭示误差结构。
- 阅读关注点
- 应核对允许扰动哪些变量、传输成本与误差约束、估计对象的解释，以及应用中更弱假设具体替代了哪些条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断最优传输问题的解、识别与推断条件，也不能将变量扰动解释视为真实测量误差证据。
原文摘要
We propose a novel optimal transport‐based version of the Generalized Method of Moment (GMM). Instead of handling overidentification by reweighting the data to satisfy the moment conditions (as in Generalized Empirical Likelihood methods), this method proceeds by allowing for errors in the variables of the least mean‐square magnitude necessary to simultaneously satisfy all moment conditions. This approach, based on the notions of optimal transport and Wasserstein metric, aims to address the problem of assigning a logical interpretation to GMM results even when overidentification tests reject the null, a situation that cannot always be avoided in applications. We illustrate the method by revisiting Duranton, Morrow and Turner's (2014) study of the relationship between a city's exports and the extent of its transportation infrastructure. Our results corroborate theirs under weaker assumptions and provide insight into the error structure of the variables.