An efficient stochastic generalized method of moments estimator for nonlinear moment models
非线性矩模型的高效随机广义矩估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦非线性矩条件的随机 GMM 估计与渐近理论，属于计量估计方法而非所列因果推断、面板、时间序列或金融等具体应用领域，故不选。
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
非线性矩模型的高效随机广义矩估计
- 研究问题
- 研究由可能非线性且过度识别的矩条件 E[g(X,β*)]=0 定义的参数，如何用随机（在线）算法递归估计，并具备何种渐近性质。
- 方法与思路
- 摘要称基于 Chen 等提出的非线性随机 GMM 算法，每次观测以与样本量无关的成本更新矩雅可比、逆协方差矩阵与 Gauss–Newton 预条件；对线性与非线性工具变量矩给出精确的秩二 Sherman–Morrison–Woodbury 更新，结合预条件随机逼近与迭代平均。
- 材料陈述的贡献
- 作者提出在预条件单调性条件下（线性模型全局成立、一般情形在一致先导估计附近局部成立）建立几乎必然收敛与收敛速率，以及具有有效 GMM 方差泛函中心极限定理；逆 Gauss–Newton 矩阵一致估计该方差，投影线性化统计量可在线检验过度识别约束，并推广到 L-相关数据。
- 阅读关注点
- 应核对预条件单调性条件的具体形式与验证方式、步长指数大于 2/3 时所需四阶矩假设、迭代平均与在线检验统计量的构造，以及模拟与 1980 年美国人口普查应用中的比较细节是否与摘要一致。
- 阅读边界
- 仅依据摘要，无法判断证明细节、假设可检验性、模拟设计合理性及实证结论的稳健性；摘要未说明先导估计的获取方式与计算成本，也未给出具体速率常数。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We study the asymptotic properties of the nonlinear stochastic GMM algorithm proposed by Chen, Lee, Liao, Seo, Shin and Song for recursively estimating parameters defined by possibly nonlinear and overidentified moment restrictions $\E[g(X,β^*)]=0$. Each observation updates estimates of the moment Jacobian, inverse covariance matrix and Gauss--Newton preconditioner at a cost independent of sample size. For linear and nonlinear instrumental-variable moments, we derive an exact rank-two Sherman--Morrison--Woodbury update. The algorithm combines preconditioned stochastic approximation with iterate averaging. Under a preconditioned monotonicity condition, satisfied globally in linear models and locally around a consistent pilot estimate in general, we establish almost sure convergence and rates, as well as a functional central limit theorem with the efficient GMM variance. These results require four moments of the moment function and its Jacobian when the step exponent exceeds $2/3$. The inverse Gauss--Newton matrix consistently estimates this variance, and a projected linearised statistic enables online testing of overidentifying restrictions. We extend the results to $L$-dependent data with long-run variance weights under stronger moment assumptions. Simulations show that the averaged estimator approaches offline two-step GMM in accuracy and coverage at $10^6$ observations, while requiring a fraction of its computing time and fixed memory at up to $10^7$ observations. The online test achieves correct size and comparable power. In an application estimating the effect of a third child on weeks worked using $254{,}654$ women from the 1980 US Census, single-pass estimates agree with offline GMM within a fraction of a standard error on average across data orderings, and both methods yield the same overidentification-test conclusion in most orderings.