Simulation-based estimation with many auxiliary statistics applied to long-run dynamic analysis
利用大量辅助统计量进行模拟估计与长期动态分析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：摘要以新凯恩斯模型中大量脉冲响应的匹配展示长期动态分析方法。
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
利用大量辅助统计量进行模拟估计与长期动态分析
- 研究问题
- 当模拟最小距离匹配的辅助统计量数量很大、甚至超过样本量时，如何建立估计理论并利用长期动态信息？
- 方法与思路
- 作者为大量辅助统计量下的模拟最小距离估计建立渐近理论，并以新凯恩斯模型匹配多个期限的脉冲响应。
- 材料陈述的贡献
- 摘要称，论文建立一致性与渐近分布，使估计无需预先筛选最有信息的统计量，并展示长期脉冲响应信息的利用。
- 阅读关注点
- 应核对辅助统计量维度与样本量的增长关系、距离权重、模拟误差处理，以及长期响应如何提供参数识别信息。
- 阅读边界
- 仅据 OpenAlex 所列摘要；高维与模拟次数的具体限制、识别条件和数值表现未说明，也不能推断刊本变化。
原文摘要
The existing asymptotic theory for estimators obtained by simulated minimum distance does not cover situations in which the number of components of the auxiliary statistics (or number of matched “moments”) is large — typically larger than the sample size. We establish the consistency of the simulated minimum distance estimator in this situation and derive its asymptotic distribution. Our estimator is easy to implement and allows us to exploit all the informational content of a large number of auxiliary statistics without having to, (i) know these functions explicitly, or (ii) choose a priori which functions are the most informative. As a result, we are able to exploit, among other things, long-run information. We illustrate the implementation of the proposed method through Monte-Carlo simulation experiments based on small- and medium-scale New Keynesian models. These examples highlight how to conveniently exploit valuable information from matching a large number of impulse responses including at long-run horizons.