深度广义矩方法在工具变量分析中的应用
本文提出了一种基于广义矩(MOM)的快速参数估计方法, 可以在混合数据类型的Dirichlet潜变量模型中应用, 该方法不需要潜变量的实例化, 有效地解决了参数估计的计算和统计问题。
Mar, 2016
介绍了一种新颖的算法 DualIV 用以解决非线性仪器变量回归问题,并且通过凸-凹鞍点问题得到比传统二阶段方法更简化的方案,同时构建了一种基于核函数的解析算法,该算法与现有的更复杂算法相比具有竞争力。
Oct, 2019
我们介绍了一种新的算法类别,即随机广义矩方法(SGMM),用于估计和推断(过识别的)矩约束模型。该SGMM是对流行的Hansen (1982)(离线)广义矩估计法的一种新型随机逼近替代方法,并具有快速、可扩展的实时数据流处理能力。我们建立了对于低效的在线两阶段最小二乘法(2SLS)和高效的SGMM,几乎确定的收敛性和(函数)中心极限定理。此外,我们提出了Durbin-Wu-Hausman和Sargan-Hansen的在线测试版本,可以无缝集成到SGMM框架中。大量的蒙特卡洛模拟表明,随着样本量的增加,SGMM在估计准确性和计算效率方面与标准(离线)GMM相匹配,从而显示了它在大规模和在线数据集上的实用价值。我们通过两个知名的具有大样本量的实证示例来证明我们方法的有效性。
Aug, 2023
本文提出了SAGD-IV, 一种新颖的非参数工具变量回归框架,通过使用随机近似梯度来最小化投影总体风险。我们在理论上支持了算法,并通过实证实验证明了它的竞争性能。此外,我们也着重研究了二元结果的情况并取得了有希望的结果。
Feb, 2024
我们在本文中研究了非参数估计的工具变量(IV)回归,并提出了一种以最小化规则为目标的免去极小极值校正的方法,能够避免回归被唯一确定以及缺乏模型选择程序等三个限制,并在实际应用中能够实现一般函数逼近。
Mar, 2024