Empirical likelihood block bootstrapping
经验似然区块自助法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：摘要针对具有序列相关矩条件的推断，核心方法是保留时间依赖的区块重抽样。
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…
经验似然区块自助法
- 研究问题
- 当模型的非线性矩条件存在可能无限阶的序列相关时，如何改善 GMM 渐近检验的尺寸表现并构造有效的区块自助推断？
- 方法与思路
- 作者先用 GMM 估计参数，再计算矩条件区块的经验似然概率权重，以这些权重构成多项分布进行区块重抽样。
- 材料陈述的贡献
- 摘要称，文中证明该程序的一阶渐近有效性；一系列模拟显示，相较常规区块自助法，该方法可能改善检验尺寸。
- 阅读关注点
- 应核对经验似然权重的约束、区块长度与序列依赖条件，以及一阶有效性证明和模拟中的尺寸改进分别支持何种结论。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明具体正则条件、权重可行性或数值结果，不能据一阶有效性推断高阶改进或统一优势。
原文摘要
Monte Carlo evidence has made it clear that asymptotic tests based on generalized method of moments (GMM) estimation have disappointing size. The problem is exacerbated when the moment conditions are serially correlated. Several block bootstrap techniques have been proposed to correct the problem, including Hall and Horowitz (1996) and Inoue and Shintani (2006). We propose an empirical likelihood block bootstrap procedure to improve inference where models are characterized by nonlinear moment conditions that are serially correlated of possibly infinite order. Combining the ideas of Kitamura (1997) and Brown and Newey (2002), the parameters of a model are initially estimated by GMM which are then used to compute the empirical likelihood probability weights of the blocks of moment conditions. The probability weights serve as the multinomial distribution used in resampling. The first-order asymptotic validity of the proposed procedure is proven, and a series of Monte Carlo experiments show it may improve test sizes over conventional block bootstrapping.