Generalized Method of Moments, Efficient Bootstrapping, and Improved Inference
广义矩方法、有效自助法与推断改进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：摘要聚焦 GMM 的经验似然重抽样与一般推断性质，未指定可对应所给细分目录的具体应用领域，因此不作分类。
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
广义矩方法、有效自助法与推断改进
- 研究问题
- 如何为 GMM 构造满足矩约束的自助推断程序，使其在大样本下获得推断改进，并达到作者所讨论的效率要求？
- 方法与思路
- 作者提出从施加矩约束的经验似然分布中重抽样的 GMM 自助法，并结合示例及相关推断研究说明其方法。
- 材料陈述的贡献
- 摘要称，该方法可带来大样本推断改进并具有效率性质；文章同时提供例子，并讨论 GMM 的发展与相关推断研究。
- 阅读关注点
- 阅读时应核对经验似然权重如何施加矩约束、自助统计量与重抽样步骤，以及改进和效率结论的条件及比较对象。
- 阅读边界
- 摘要未说明改进的阶数、效率的具体定义或有限样本证据；不能仅凭这些表述判断其在任意模型或样本中优于其他自助法。
原文摘要
Generalized method of moments (GMM) has been an important innovation in econometrics. Its usefulness has motivated a search for good inference procedures based on GMM. This article presents a novel method of bootstrapping for GMM based on resampling from the empirical likelihood distribution that imposes the moment restrictions. We show that this approach yields a large-sample improvement and is efficient, and give examples. We also discuss the development of GMM and other recent work on improved inference.