An Empirical Comparison of Weak-IV-Robust Procedures in Just-Identified Models
恰好识别模型中弱工具变量稳健推断程序的实证比较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：摘要明确比较因果推断中工具变量回归的弱识别稳健检验，直接依据是工具变量方法而非所用复现数据的期刊。
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
恰好识别模型中弱工具变量稳健推断程序的实证比较
- 研究问题
- 在恰好识别且工具变量可能较弱的模型中，Anderson–Rubin 与 tF 程序在检验表现和区间长度上有何差异？
- 方法与思路
- 作者使用《美国经济评论》论文的复现数据和蒙特卡洛实验，对两种弱识别稳健程序的显著性检验与区间长度进行比较。
- 材料陈述的贡献
- 摘要称 AR 通常表现出更高功效和更短区间，同时指出 tF 在期望区间长度上具有理论优势，建议互补使用。
- 阅读关注点
- 应核对功效比较是否控制检验尺寸、无界区间如何处理，以及样本中区间长度与理论期望长度的区别。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明模拟参数、样本筛选和尺寸表现，不能推断某程序普遍占优。
原文摘要
Instrumental variable (IV) regression is recognized as one of the five core methods for causal inference, as identified by Angrist and Pischke (2008). This paper compares two leading approaches to inference under weak identification for just-identified IV models: the classical Anderson-Rubin (AR) procedure and the recently popular tF method proposed by Lee et al. (2022). Using replication data from the American Economic Review (AER) and Monte Carlo simulation experiments, we evaluate the two procedures in terms of statistical significance testing and confidence interval (CI) length. Empirically, we find that the AR procedure typically offers higher power and yields shorter CIs than the tF method. Nonetheless, as noted by Lee et al. (2022), tF has a theoretical advantage in terms of expected CI length. Our findings suggest that the two procedures may be viewed as complementary tools in empirical applications involving potentially weak instruments.