Inference with Many Weak Instruments
众多弱工具变量下的统计推断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：摘要研究通用线性工具变量推断，未提供足以归入所列具体应用领域的文本证据。
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
众多弱工具变量下的统计推断
- 研究问题
- 在线性工具变量模型中，当工具数量与样本量同阶或增长更慢时，如何刻画弱识别并在异方差下开展有效检验？
- 方法与思路
- 作者构造经典Anderson–Rubin统计量的刀切版本，以新方差估计量实现可行检验，并提出与刀切工具变量Wald检验尺寸相关的预检验。
- 材料陈述的贡献
- 摘要称，刀切AR检验在众多工具、弱识别和异方差下具有有效的大样本推断、一致正确的尺寸及良好功效，并提供弱识别预检验。
- 阅读关注点
- 应核对工具数量增长及设计矩阵条件、弱识别定义、新方差估计量构造，以及预检验与后续Wald推断的关系。
- 阅读边界
- 摘要未给出完整正则条件、功效比较基准或有限样本数值；也未说明预检验后选择推断程序所需的整体有效性条件。
原文摘要
Abstract We develop a concept of weak identification in linear instrumental variable models in which the number of instruments can grow at the same rate or slower than the sample size. We propose a jackknifed version of the classical weak identification-robust Anderson–Rubin (AR) test statistic. Large-sample inference based on the jackknifed AR is valid under heteroscedasticity and weak identification. The feasible version of this statistic uses a novel variance estimator. The test has uniformly correct size and good power properties. We also develop a pre-test for weak identification that is related to the size property of a Wald test based on the Jackknife Instrumental Variable Estimator. This new pre-test is valid under heteroscedasticity and with many instruments.