缺失数据下的广义矩方法

我们考虑一种广义矩方法框架，其中数据向量的部分在完全不限制、可能存在内生性方式的缺失。在这种设置中，感兴趣的参数通常只能部分识别。我们使用与数据一致的矩预测凸集的支撑函数来 characterize 这种参数的识别集。该识别集是锋利的、适用于连续和离散数据，并且容易估计。我们还提出了用于检验假设和构建置信区间的统计量，表明标准的非参数bootstrap可能无效，并建议使用Fang和Santos（2019）中方向可微功能的bootstrap进行修正。一组蒙特卡罗模拟表明，当样本较大且数据具有有界支撑时，我们的估计量和置信区间表现良好。