LASSO Methods for Gaussian Instrumental Variables Models
高斯工具变量模型中的 LASSO 方法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：摘要围绕工具变量估计与教育回报应用展开，直接关联因果参数的工具变量推断。
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…
高斯工具变量模型中的 LASSO 方法
- 研究问题
- 在线性工具变量模型中，当候选工具变量数量远超样本量时，能否通过稀疏方法估计最优工具变量并获得有效推断？
- 方法与思路
- 作者使用 LASSO、Post-LASSO 及平方根变体构造第一阶段预测，在典型高斯设定下分析所得工具变量估计量。
- 材料陈述的贡献
- 摘要称给出渐近分布及达到渐近 oracle 效率的条件，并以模拟和教育数据应用展示数据驱动惩罚方法的表现。
- 阅读关注点
- 应核对稀疏性、工具变量有效性与相关性条件，惩罚参数如何确定，以及 oracle 效率结论和模拟比较的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出具体效率条件，也未说明弱工具变量情形是否适用。
原文摘要
In this note, we propose to use sparse methods (e.g. LASSO, Post-LASSO, sqrt-LASSO, and Post-sqrt-LASSO) to form first-stage predictions and estimate optimal instruments in linear instrumental variables (IV) models with many instruments in the canonical Gaussian case. The methods apply even when the number of instruments is much larger than the sample size. We derive asymptotic distributions for the resulting IV estimators and provide conditions under which these sparsity-based IV estimators are asymptotically oracle-efficient. In simulation experiments, a sparsity-based IV estimator with a data-driven penalty performs well compared to recently advocated many-instrument-robust procedures. We illustrate the procedure in an empirical example using the Angrist and Krueger (1991) schooling data.