Intentionally Overidentifying Local Projections
有意过度识别的局部投影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：摘要以局部投影、脉冲响应、VAR 推断与时间序列持久性为核心，直接对应 VAR 与局部投影及时间序列两个宏观细分方向。
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
有意过度识别的局部投影
- 研究问题
- 摘要关注局部投影（LP）在给定滞后阶数下通常用 OLS 估计动态效应时，能否利用额外滞后作为排除性工具变量来改进估计效率与推断。
- 方法与思路
- 作者提出以额外滞后作为排除性工具变量的 IV 方法，在有限阶模型与鞅差冲击假设下构造最优加权 IV 估计量，并发展对未知持久性与适度局部模型误设稳健的 IV 型 LP 推断。
- 材料陈述的贡献
- 摘要称该最优加权 IV 估计量渐近效率不低于 OLS，在数据持久时可有显著效率增益；对单位根 AR(1) 给出渐近方差对比，并刻画误设程度与额外滞后控制数之间的权衡。
- 阅读关注点
- 阅读全文时应核对：有限阶模型与鞅差冲击等识别假设的具体表述、最优加权矩阵的构造、单位根 AR(1) 渐近方差推导条件，以及模拟与实证中置信区间缩短的设定与适用范围。
- 阅读边界
- 仅凭摘要无法判断定理证明细节、模拟设计、实证数据与结果稳健性；该文为 arXiv 预印本，未经同行评审或期刊接收验证，结论应以正式发表版本为准。
原文摘要
Local projections (LPs) have become a standard tool for estimating dynamic effects in macroeconomics and are typically implemented using ordinary least squares (OLS) for a given lag order. We propose an alternative approach that exploits additional lags as excluded instrumental variables (IVs). Under a finite-order model with martingale-difference shocks, the resulting (optimally weighted) IV estimator is never asymptotically less efficient than OLS and, as we show, can deliver substantial efficiency gains when data are persistent. For the unit-root AR(1) data with i.i.d. errors, our baseline IV estimator (with one overidentifying restriction) has asymptotic variance $2-h^{-1}$, compared with $h$, the asymptotic variance of the OLS lag-augmented estimator in Montiel Olea and Plagborg-Møller (2021), for an integer propagation horizon $h$. We then develop IV-based LP inference that is robust to unknown persistence and moderate local model misspecification, whereas the recursive VAR-based inference is generally not robust to the latter. We also characterize the trade-off between the degree of misspecification and the number of additional lag controls. Through simulations and an empirical application, we demonstrate that the proposed method can yield meaningfully shorter confidence intervals for impulse responses than OLS in finite samples.