The large sample behaviour of the generalized method of moments estimator in misspecified models
模型误设下广义矩估计量的大样本行为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：摘要讨论通用 GMM 误设理论，未限定面板、因果、金融或其他所列细分领域。
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…
关注这篇论文的作者
模型误设下广义矩估计量的大样本行为
- 研究问题
- 当总体矩条件存在固定而非局部误设时，GMM 估计量的收敛速度和极限分布如何改变，过度识别情形下权重矩阵为何尤其关键？
- 方法与思路
- 作者针对固定误设建立 GMM 极限分布理论，分析四种常用权重矩阵，并提出可用于误设模型参数假设检验的统计量。
- 材料陈述的贡献
- 摘要称过度识别时，估计量的收敛速度依赖权重矩阵的收敛速度；四种权重选择对应不同极限理论，且与模型正确设定时不同。
- 阅读关注点
- 应核对误设下参数目标如何定义、四种权重矩阵的构造及收敛条件，以及所提检验的方差估计、零假设含义和适用范围。
- 阅读边界
- 仅依据作者／机构库所标注版本摘要，不能推断刊本变化；摘要未列出四种权重的具体形式、正则条件和检验公式，无法直接据此实施推断。
原文摘要
This paper presents the limiting distribution theory for the GMM estimator when the estimation is based on a population moment condition which is subject to non–local (or fixed) misspecification. It is shown that if the parameter vector is overidentified then the weighting matrix plays a far more fundamental role than it does in the corresponding analysis for correctly specified models. Specifically, the rate of convergence of the estimator depends on the rate of convergence of the weighting matrix to its probability limit. The analysis is presented for four particular choices of weighting matrix which are commonly used in practice. In each case the limiting distribution theory is different, and also different from the limiting distribution in a correctly specified model. Statistics are proposed which allow the researcher to test hypotheses about the parameters in misspecified models.