Complete subset averaging with many instruments
多工具变量下的完全子集平均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：核心是通用的多工具变量估计方法，需求函数仅为应用示例，摘要不足以将其归入特定领域细分。
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
多工具变量下的完全子集平均
- 研究问题
- 工具变量较多且可能相关或无关时，如何通过第一阶段的子集平均改善两阶段最小二乘，并选择合适的子集规模？
- 方法与思路
- 作者对 K 个工具中含 k 个工具的所有子集等权平均第一阶段，用 Nagar 展开获得近似 MSE，并最小化其样本对应量选择 k。
- 材料陈述的贡献
- 摘要称，所选方法在不同子集规模的估计量类中渐近最优；相关工具的模拟表现较好，并展示了需求估计应用。
- 阅读关注点
- 应核对近似 MSE 的推导条件、最优性适用的比较类、无关工具增加时的结论，以及完整子集平均的计算实现。
- 阅读边界
- 摘要未说明工具有效性、渐近序列及比较指标；模拟与需求应用中的优势不等于一般占优，也不能据此认定工具有效。
原文摘要
Summary We propose a two-stage least squares (2SLS) estimator whose first stage is the equal-weighted average over a complete subset with k instruments among K available, which we call the complete subset averaging (CSA) 2SLS. The approximate mean squared error (MSE) is derived as a function of the subset size k by the Nagar (1959) expansion. The subset size is chosen by minimising the sample counterpart of the approximate MSE. We show that this method achieves asymptotic optimality among the class of estimators with different subset sizes. To deal with averaging over a growing set of irrelevant instruments, we generalise the approximate MSE to find that the optimal k is larger than otherwise. An extensive simulation experiment shows that the CSA-2SLS estimator outperforms the alternative estimators when instruments are correlated. As an empirical illustration, we estimate the logistic demand function in Berry et al. (1995) and find that the CSA-2SLS estimate is better supported by economic theory than are the alternative estimates.