A Heteroskedasticity-Robust Overidentifying Restriction Test with High-Dimensional Covariates
高维协变量下的异方差稳健过度识别限制检验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：摘要主要贡献是一般高维线性工具变量模型的过度识别检验，未明确处理效应等对象，给定细分分类的证据不足。
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
高维协变量下的异方差稳健过度识别限制检验
- 研究问题
- 在线性工具变量模型中，当协变量与工具变量数量可以超过样本量时，如何检验过度识别限制，并兼顾异方差稳健性和检验功效？
- 方法与思路
- 作者先构造基于多个参数最大范数的检验，再加入功效增强分量，以提高对许多局部无效工具变量所形成的特定备择的检测能力。
- 材料陈述的贡献
- 摘要称检验允许变量维度超过样本量，具有尺度不变性与异方差稳健性，并在所述理论比较中获得较高功效，另提供贸易增长应用。
- 阅读关注点
- 应核对高维模型的识别与正则条件、最大范数统计量的校准，以及功效增强分量在原假设和不同备择下的具体行为。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未给出维度增长、工具相关性等条件，功效比较不能推广为全面优势。
原文摘要
This paper proposes an overidentifying restriction test for high-dimensional linear instrumental variable models. The novelty of the proposed test is that it allows the number of covariates and instruments to be larger than the sample size. The test is scale-invariant and is robust to heteroskedastic errors. To construct the final test statistic, we first introduce a test based on the maximum norm of multiple parameters that could be high-dimensional. The theoretical power based on the maximum norm is higher than that in the modified Cragg-Donald test (Kolesár, 2018), the only existing test allowing for large-dimensional covariates. Second, following the principle of power enhancement (Fan et al., 2015), we introduce the power-enhanced test, with an asymptotically zero component used to enhance the power to detect some extreme alternatives with many locally invalid instruments. Finally, an empirical example of the trade and economic growth nexus demonstrates the usefulness of the proposed test.