An Identification and Dimensionality Robust Test for Instrumental Variables Models
工具变量模型中对识别与维度稳健的检验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：摘要提供通用工具变量检验理论，未明确对应所列的具体应用方向，结构参数一词不足以判定为结构估计。
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
工具变量模型中对识别与维度稳健的检验
- 研究问题
- 在异方差工具变量模型中，如何对结构参数构造识别稳健检验，并兼容工具变量较少或远多于样本量的不同维度情形？
- 方法与思路
- 作者修改Lindeberg插值技术构造检验，以辅助参数的一致估计支持卡方极限分布，并借助机器学习估计及与上确界得分统计量结合。
- 材料陈述的贡献
- 摘要称检验无需依赖工具变量数量很大的设定，结合得分统计量可改善功效；同时指出LASSO筛选后的一阶段F统计量可能误示识别强度。
- 阅读关注点
- 应核对辅助参数的定义与一致估计条件、异方差和高维下的近似要求，以及组合检验如何控制尺寸并提高不同备择下的功效。
- 阅读边界
- 这是arXiv预印本，不能据此认定已同行评审或期刊接收。摘要未说明辅助参数的具体条件及有限样本结果，无法判断稳健性的完整范围。
原文摘要
Using modifications of Lindeberg's interpolation technique, I propose a new identification-robust test for the structural parameter in a heteroskedastic instrumental variables model. While my analysis allows the number of instruments to be much larger than the sample size, it does not require many instruments, making my test applicable in settings that have not been well studied. Instead, the proposed test statistic has a limiting chi-squared distribution so long as an auxiliary parameter can be consistently estimated. This is possible using machine learning methods even when the number of instruments is much larger than the sample size. To improve power, a simple combination with the sup-score statistic of Belloni et al. (2012) is proposed. I point out that first-stage F-statistics calculated on LASSO selected variables may be misleading indicators of identification strength and demonstrate favorable performance of my proposed methods in both empirical data and simulation study.