Kernel Minimum Distance Estimation and Testing with Conditional Moment Restrictions: A Unified Framework
条件矩约束下核最小距离估计与检验的统一框架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：摘要提出通用条件矩估计与设定检验框架，恩格尔曲线实例未明确提供结构估计或其他所列细分方向的充分证据。
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
条件矩约束下核最小距离估计与检验的统一框架
- 研究问题
- 如何在条件矩约束模型中，通过统一且便于计算的目标函数同时开展参数估计与整体设定检验，并处理参数估计对检验的影响？
- 方法与思路
- 作者将条件矩嵌入再生核希尔伯特空间，构造闭式 V 统计量目标，以最小值检验模型，并使用乘子自助法开展推断。
- 材料陈述的贡献
- 摘要称，估计量具有根号样本量一致性和渐近正态性，检验覆盖零假设、备择及局部备择，并建立乘子自助法有效性。
- 阅读关注点
- 应核对核函数与识别条件、投影核如何吸收估计效应、局部备择下的功效，以及自助法条件和恩格尔曲线应用设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列正则条件与模拟数值，不能据此断言对所有条件矩模型适用。
原文摘要
We propose a unified Kernel Minimum Distance (KMD) framework for estimating and testing models defined by conditional moment restrictions. By embedding conditional moments into a Reproducing Kernel Hilbert Space (RKHS), we construct a closed-form $V$-statistic objective function that quantifies the distance from the restrictions. We establish the $\sqrt{n}$-consistency and asymptotic normality of the associated minimum distance estimator. Within this framework, the minimized objective function naturally yields a consistent omnibus specification test. Unlike projection-based methods that require auxiliary nonparametric estimation for Neyman orthogonalization, our test inherently captures the estimation effect via a projected kernel structure. We derive asymptotic properties of the test statistics under the null hypothesis, the alternative hypothesis, and a sequence of local alternatives converging to the null at the parametric rate $n^{-1/2}$. The validity of a computationally simple multiplier bootstrap is established to facilitate inference. Simulation results demonstrate robust finite-sample performance, and the framework is illustrated by analyzing Engel curves using UK Family Expenditure Survey data.