Uniform Validity of the Subset Anderson-Rubin Test under Heteroskedasticity and Nonlinearity
异方差与非线性下子集 Anderson–Rubin 检验的一致有效性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：摘要提供通用矩条件下的识别稳健检验理论，未明确限定为所列具体经济或金融方向。
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…
异方差与非线性下子集 Anderson–Rubin 检验的一致有效性
- 研究问题
- 在非线性矩限制和一般异方差下，针对部分参数的 Anderson–Rubin 检验能否跨越未识别、部分识别及弱强识别情形保持有效？
- 方法与思路
- 作者以连续更新估计量的准则构造子集 AR 统计量，并通过扰动和正则化处理一阶条件，建立支持统一有效推断的上界。
- 材料陈述的贡献
- 摘要称检验与置信区间在广泛分布类别上一致有效，允许一般异方差，并适用于无需平稳性或横截面同质性假设的相应设定。
- 阅读关注点
- 应核对允许的分布类别、矩与依赖条件、未受原假设约束参数的处理方式，以及上界构造如何控制不同识别状态下的检验尺寸。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出完整条件；不要求平稳或同质性不能理解为对任意分布都有效。
原文摘要
We consider the Anderson-Rubin (AR) statistic for a general set of nonlinear moment restrictions. The statistic is based on the criterion function of the continuous updating estimator (CUE) for a subset of parameters not constrained under the Null. We treat the data distribution nonparametrically with parametric moment restrictions imposed under the Null. We show that subset tests and confidence intervals based on the AR statistic are uniformly valid over a wide range of distributions that include moment restrictions with general forms of heteroskedasticity. We show that the AR based tests have correct asymptotic size when parameters are unidentified, partially identified, weakly or strongly identified. We obtain these results by constructing an upper bound that is using a novel perturbation and regularization approach applied to the first order conditions of the CUE. Our theory applies to both cross-sections and time series data and does not assume stationarity in time series settings or homogeneity in cross-sectional settings.