Inference in clustered IV models with many and weak instruments
聚类工具变量模型中多工具与弱工具下的推断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。
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：摘要研究工具变量推断，并应用于女王统治对战争的影响，直接涉及因果效应分析。
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
聚类工具变量模型中多工具与弱工具下的推断
- 研究问题
- 数据聚类降低有效样本量，使工具变量相对更多、更弱时，如何构造适用于聚类数据的稳健检验？
- 方法与思路
- 作者将抗多工具和弱工具的 jackknife Anderson–Rubin 与得分检验改为删除整个聚类，而非逐个删除观测。
- 材料陈述的贡献
- 摘要称，所提出的聚类检验填补了既有方法要求观测独立的适用缺口，并用模拟及女王统治与战争研究说明经验意义。
- 阅读关注点
- 应核对聚类间与聚类内依赖的要求、聚类数和工具数的渐近关系，以及统计量构造、临界值和有限样本表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体正则条件、模拟结果及少量聚类时的可靠性。
原文摘要
Data clustering reduces the effective sample size from the number of observations towards the number of clusters. For instrumental variable models this reduced effective sample size makes the instruments more likely to be weak, in the sense that they contain little information about the endogenous regressor, and many, in the sense that their number is large compared to the sample size. Consequently, weak and many instrument problems for estimators and tests in instrumental variable models are also more likely. None of the previously developed many and weak instrument robust tests, however, can be applied to clustered data as they all require independent observations. Therefore, I adapt the many and weak instrument robust jackknife Anderson--Rubin and jackknife score tests to clustered data by removing clusters rather than individual observations from the statistics. Simulations and a revisitation of a study on the effect of queenly reign on war show the empirical relevance of the new tests.