An Improved Inference for IV Regressions
工具变量回归的改进推断：结合低维与多工具变量检验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。
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：摘要研究工具变量回归中的识别强弱和检验构造，最直接对应因果推断中的工具变量推断方法。
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…
工具变量回归的改进推断：结合低维与多工具变量检验
- 研究问题
- 经验研究分别报告低维和多工具变量结果时，能否结合这些统计量提高检验效率，并适应多工具变量的弱识别？
- 方法与思路
- 作者线性组合低维工具变量的聚类稳健 Wald 统计量，与多工具变量构造的留一聚类 LM 和 AR 统计量。
- 材料陈述的贡献
- 摘要称建立了联合渐近正态性和组合检验的渐近最优性，并提出自动适应弱识别的程序及判断效率增益的实用规则。
- 阅读关注点
- 核对聚类数量与工具变量维度的渐近设定、低维工具变量识别要求，以及组合权重、最优性标准和经验规则的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明最优性的比较集合及条件，不能据此认定所有设计都获益。
原文摘要
Empirical instrumental variables (IV) studies often report separate results based on low-dimensional instruments and many base instruments. This paper proposes a combination test that integrates these commonly reported statistics. The test linearly combines a cluster-robust Wald statistic based on low-dimensional IVs with leave-one-cluster-out Lagrangian Multiplier (LM) and Anderson-Rubin (AR) statistics constructed from many IVs. We establish joint asymptotic normality and asymptotic optimality of the proposed test. The procedure yields costless efficiency improvements, automatically adapts to weak identification of many instruments, and is accompanied by a practical rule of thumb for assessing efficiency gains.