SUBSET HYPOTHESES TESTING AND INSTRUMENT EXCLUSION IN THE LINEAR IV REGRESSION
线性工具变量回归中的子集假设检验与工具变量遗漏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：摘要讨论通用线性 IV 识别与子集检验理论，未给出具体微观结构模型或因果应用，细分依据不足。
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
线性工具变量回归中的子集假设检验与工具变量遗漏
- 研究问题
- 在结构参数的子集检验中，遗漏潜在工具变量如何影响 LIML 估计、识别强度及代入式检验的有效性？
- 方法与思路
- 作者推导工具变量被遗漏时 LIML 与代入式统计量的渐近分布，分析第一阶段、估计一致性和检验有效性的联系。
- 材料陈述的贡献
- 摘要称遗漏工具可能消除第一阶段并使子集推断失效；若仍保持 LIML 一致性，检验可有效，但估计不再渐近有效率。
- 阅读关注点
- 应核对遗漏工具破坏第一阶段的具体机制、维持 LIML 一致性的条件，以及干扰参数可识别线性组合的分布。
- 阅读边界
- 仅据所给 Crossref 摘要；工具遗漏方式、识别序列及检验条件未具体说明，不能推断其他版本或一般遗漏情形。
原文摘要
This paper explores the sensitivity of plug-in subset tests to instrument exclusion in structural models. Identification-robust statistics based on the plug-in principle have been developed for testing hypotheses specified on subsets of the structural parameters. However, their robustness to instrument exclusion has not been investigated. This paper proposes an analysis of the asymptotic distributions of the limited information maximum likelihood (LIML) estimator and plug-in statistics when potential instruments are omitted. Our results provide several new insights and extensions of earlier studies. We show that the exclusion of instruments can eliminate the first-stage, thus weakening identification and invalidating the plug-in subset inference. However, when instrument omission does not affect LIML consistency, it preserves the plug-in subset test validity, although LIML is no longer asymptotically efficient. Unlike the instrumental variable (IV) estimator, the LIML estimator of the identified linear combination of the nuisance parameter is not asymptotically a Gaussian mixture, even without instrument exclusion.