Bayesian Factor Model Shrinkage for Linear IV Regression With Many Instruments
多工具变量线性 IV 回归的贝叶斯因子模型收缩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：摘要研究线性工具变量模型中的多工具变量估计，归入因果推断方法；因子分解用于构造先验，未指向宏观或金融因子。
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…
多工具变量线性 IV 回归的贝叶斯因子模型收缩
- 研究问题
- 在工具变量数量较多的线性 IV 回归中，如何构造收缩先验并降低贝叶斯计算负担，使估计与后验分析可实施？
- 方法与思路
- 作者利用类似两阶段最小二乘的似然分解设计切片采样器，并根据观测工具变量矩阵的因子分解构造依赖预测变量的收缩先验。
- 材料陈述的贡献
- 摘要称新采样器能方便而高效地处理非共轭收缩先验，并使此前因计算规模而不可行的问题得以开展贝叶斯分析。
- 阅读关注点
- 核对因子维数与收缩先验的设定、切片采样的收敛和计算成本，以及模拟和三个应用对多工具变量稳健性的支持。
- 阅读边界
- 摘要未说明工具变量有效性、弱工具变量下的表现或后验区间校准；所述稳健性与计算优势仍需核对具体条件和证据。
原文摘要
A Bayesian approach for the many instruments problem in linear instrumental variable models is presented. The new approach has two components. First, a slice sampler is developed, which leverages a decomposition of the likelihood function that is a Bayesian analogue to two-stage least squares. The new sampler permits nonconjugate shrinkage priors to be implemented easily and efficiently. The new computational approach permits a Bayesian analysis of problems that were previously infeasible due to computational demands that scaled poorly in the number of regressors. Second, a new predictor-dependent shrinkage prior is developed specifically for the many instruments setting. The prior is constructed based on a factor model decomposition of the matrix of observed instruments, allowing many instruments to be incorporated into the analysis in a robust way. Features of the new method are illustrated via a simulation study and three empirical examples.