Series Estimation of Regression Functionals
回归泛函的级数估计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：摘要核心为通用两步级数估计理论，probit 等仅为应用示例，不足以限定具体领域。
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
回归泛函的级数估计
- 研究问题
- 两步估计的第一步使用非参数级数回归预测值时，如何保证最终估计一致且渐近正态，并正确计入第一步估计误差？
- 方法与思路
- 作者建立级数第一步下的两步估计理论，给出第二步渐近方差修正项与一致方差估计，允许数据决定级数项数。
- 材料陈述的贡献
- 摘要称，理论允许解释变量分布为离散、连续或混合形式，并给出若干新估计量的结果及第一步误差的方差修正形式。
- 阅读关注点
- 应核对级数逼近条件、项数选择及增长要求、泛函的性质，并检查各应用中第一步误差如何进入第二步方差。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体正则条件、修正公式和新估计量未说明，列举应用不意味着对每类问题均无条件有效。
原文摘要
Two-step estimators, where the first step is the predicted value from a nonparametric regression, are useful in many contexts. Examples include a non-parametric residual variance, probit with nonparametric generated regressors, efficient GMM estimation with randomly missing data, heteroskedasticity corrected least squares, semiparametric regression, and efficient nonlinear instrumental variables estimators. The purpose of this paper is the development of consistency and asymptotic normality results when the first step is a series estimator. The paper presents the form of a correction term for the first step on the second-step asymptotic variance and gives a consistent variance estimator. Data-dependent numbers of terms are allowed for, and the regressor distribution can be discrete, continuous, or a mixture of the two. Results for several new estimators are given.