A JACKKNIFE LAGRANGE MULTIPLIER TEST WITH MANY WEAK INSTRUMENTS
大量弱工具变量下的刀切拉格朗日乘子检验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：摘要专注一般工具变量回归的识别稳健检验，未明确因果设计或特定经济应用，不能仅凭工具变量术语分类。
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
大量弱工具变量下的刀切拉格朗日乘子检验
- 研究问题
- 当工具变量数量可与样本量同比增长、工具变量任意弱且误差异方差时，如何构造有效的工具变量回归检验？
- 方法与思路
- 作者对得分统计量进行刀切修正，并构造异方差稳健方差估计量，形成刀切拉格朗日乘子检验。
- 材料陈述的贡献
- 摘要称新检验同时应对大量、弱工具变量及异方差，可能避免部分已有检验的功效下降，并以模拟展示尺寸和功效。
- 阅读关注点
- 应核对刀切得分与方差估计的定义、工具变量数量增长条件、弱识别下的极限分布，以及功效下降被避免的情形。
- 阅读边界
- 仅据所给 Crossref 摘要，无法核验全部正则条件或断言功效普遍改善；有限样本数值与其他版本变化均未说明。
原文摘要
This paper proposes a jackknife Lagrange multiplier (JLM) test for instrumental variable regression models, which is robust to (i) many instruments, where the number of instruments may increase proportionally with the sample size, (ii) arbitrarily weak instruments, and (iii) heteroskedastic errors. In contrast to Crudu, Mellace, and Sándor (2021, Econometric Theory 37, 281–310) and Mikusheva and Sun (2021, Review of Economic Studies 89, 2663–2686), who proposed jackknife Anderson–Rubin tests that are also robust to (i)–(iii), we modify a score statistic by jackknifing and construct its heteroskedasticity robust variance estimator. Compared to the Lagrange multiplier tests by Kleibergen (2002, Econometrica 70, 1781–1803) and Moreira (2001, Tests with Correct Size when Instruments Can Be Arbitrarily Weak , Working paper) and their modification for many instruments by Hansen, Hausman, and Newey (2008, Journal of Business & Economic Statistics 26, 398–422), our JLM test is robust to heteroskedastic errors and may circumvent a possible decrease in the power function. Simulation results illustrate the desirable size and power properties of the proposed method.