Empirical Likelihood-Based Inference in Conditional Moment Restriction Models
条件矩限制模型中的经验似然推断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：摘要讨论一般条件矩限制下的估计与检验，未限定因果、面板、宏观或金融场景，现有文本不足以归入所列细分领域。
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…
条件矩限制模型中的经验似然推断
- 研究问题
- 在条件矩限制模型中，如何充分利用条件信息实现有效估计，并构造无需另行估计方差的参数限制检验？摘要围绕这一问题展开。
- 方法与思路
- 作者用核平滑将条件矩限制所含信息纳入经验似然，推广最大经验似然估计量，形成无需估计最优工具变量的一步估计程序。
- 材料陈述的贡献
- 摘要称估计量渐近有效，似然比型检验无需估计方差且渐近枢轴化；估计与检验具有归一化不变性，模拟显示有限样本表现较好。
- 阅读关注点
- 阅读全文时应核对核函数与带宽条件、效率结论的假设、参数限制统计量的极限分布，以及归一化不变性的具体含义。
- 阅读边界
- 摘要未说明正则条件、带宽选择、模拟设计及效率比较基准；有限样本表现仅为作者概述，不能据此认定在任意模型中更优。
原文摘要
This paper proposes an asymptotically efficient method for estimating models with conditional moment restrictions. Our estimator generalizes the maximum empirical likelihood estimator (MELE) of Qin and Lawless (1994). Using a kernel smoothing method, we efficiently incorporate the information implied by the conditional moment restrictions into our empirical likelihood-based procedure. This yields a one-step estimator which avoids estimating optimal instruments. Our likelihood ratio-type statistic for parametric restrictions does not require the estimation of variance, and achieves asymptotic pivotalness implicitly. The estimation and testing procedures we propose are normalization invariant. Simulation results suggest that our new estimator works remarkably well in finite samples.