OPTIMAL BANDWIDTH SELECTION FOR ROBUST GENERALIZED METHOD OF MOMENTS ESTIMATION
稳健广义矩估计的最优带宽选择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：摘要讨论通用稳健 GMM 的权重矩阵带宽选择，未限定面板、金融或其他所列细分应用。
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
稳健广义矩估计的最优带宽选择
- 研究问题
- 两步 GMM 使用异方差与自相关稳健权重矩阵时，应怎样选择平滑带宽，才能改善目标参数估计量的均方误差？
- 方法与思路
- 作者最小化目标估计量渐近均方误差的高阶近似，推导最优带宽，构造数据驱动规则并进行模拟比较。
- 材料陈述的贡献
- 摘要称最优带宽与权重矩阵插入估计的最优带宽同阶但常数不同，新规则在模拟中可降低参数估计的均方误差。
- 阅读关注点
- 应核对高阶均方误差展开、最优带宽常数的来源，以及矩条件较多时数据驱动规则的计算和有限样本表现。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认展开所需条件或实际改善幅度；渐近带宽最优性不保证所有有限样本情形都更好。
原文摘要
A two-step generalized method of moments estimation procedure can be made robust to heteroskedasticity and autocorrelation in the data by using a nonparametric estimator of the optimal weighting matrix. This paper addresses the issue of choosing the corresponding smoothing parameter (or bandwidth) so that the resulting point estimate is optimal in a certain sense. We derive an asymptotically optimal bandwidth that minimizes a higher-order approximation to the asymptotic mean-squared error of the estimator of interest. We show that the optimal bandwidth is of the same order as the one minimizing the mean-squared error of the nonparametric plugin estimator, but the constants of proportionality are significantly different. Finally, we develop a data-driven bandwidth selection rule and show, in a simulation experiment, that it may substantially reduce the estimator’s mean-squared error relative to existing bandwidth choices, especially when the number of moment conditions is large.