A conditional linear combination test with many weak instruments
多弱工具变量下的条件线性组合检验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：摘要聚焦一般线性工具变量回归的检验理论，未明确具体因果目标；应用数据名称本身不足以支持细分分类。
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
多弱工具变量下的条件线性组合检验
- 研究问题
- 在线性工具变量回归存在大量弱工具变量及异方差时，如何随识别强度调整检验组合，同时控制尺寸并改善局部功效？
- 方法与思路
- 作者组合 jackknife AR、LM 与正交化 LM 检验，以适应识别强度的决策理论规则确定权重，并分析弱、强识别下的性质。
- 材料陈述的贡献
- 摘要称，检验在弱、强识别下控制渐近尺寸，并在限定检验类中可容许；强识别时，对局部备择具有所述类内最优功效。
- 阅读关注点
- 应核对工具变量数量及强度的渐近设定、权重规则，以及可容许性和最优功效对应的检验类、备择与异方差条件。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，具体条件及模拟功效数值未说明；最优性有明确检验类限制，不能理解为对所有检验占优。
原文摘要
We consider a linear combination of jackknife Anderson-Rubin (AR), jackknife Lagrangian multiplier (LM), and orthogonalized jackknife LM tests for inference in IV regressions with many weak instruments and heteroskedasticity. Following I.Andrews (2016), we choose the weights in the linear combination based on a decision-theoretic rule that is adaptive to the identification strength. Under both weak and strong identifications, the proposed test controls asymptotic size and is admissible among certain class of tests. Under strong identification, our linear combination test has optimal power against local alternatives among the class of invariant or unbiased tests which are constructed based on jackknife AR and LM tests. Simulations and an empirical application to Angrist and Krueger’s (1991) dataset confirm the good power properties of our test.