An Information-Theoretic Alternative to Generalized Method of Moments Estimation
广义矩估计的信息论替代方法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：弱依赖是通用的概率条件，摘要未指定宏观时间序列、微观应用或金融对象，因此不足以选择给定细分方向。
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
广义矩估计的信息论替代方法
- 研究问题
- 作者以某些应用中最优加权广义矩估计的小样本表现不佳为动机，研究信息论估计能否保留其大样本性质，并提供相应的限制检验。
- 方法与思路
- 针对弱依赖的数据生成机制，作者提出最小化 Kullback–Leibler 信息准则的替代估计方法，并构造过度识别限制与参数限制检验。
- 材料陈述的贡献
- 摘要称，在所推导条件下，该估计量一致且渐近正态，渐近协方差与广义矩估计相同；同时提出替代性的过度识别和参数限制检验。
- 阅读关注点
- 核对信息准则的具体优化对象、弱依赖与矩条件的要求，以及相同渐近协方差结论和两类检验的有效性条件，并查看小样本比较证据。
- 阅读边界
- 摘要未报告小样本比较结果，计算简便的具体依据与检验校准方式也未说明；渐近协方差相同不能直接推出有限样本表现改善。
原文摘要
While optimally weighted generalized method of moments (GAM) estimation has desirable large sample properties, its small sample performance is poor in some applications. The authors propose a computationally simple alternative, for weakly dependent data generating mechanisms, based on minimization of the Kullback-Leibler information criterion. Conditions are derived under which the large sample properties of this estimator are similar to GAM, i.e., the estimator will be consistent and asymptotically normal, with the same asymptotic covariance matrix as GAM. In addition, the authors propose overidentifying and parametric restrictions tests as alternatives to analogous GAM procedures.