Two applications of wild bootstrap methods to improve inference in cluster‐IV models
用野生自助法改善聚类工具变量模型推断的两个应用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：摘要围绕微观数据中的工具变量模型、弱工具变量与聚类依赖下的检验，按工具变量推断主题归入因果推断。
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…
关注这篇论文的作者
用野生自助法改善聚类工具变量模型推断的两个应用
- 研究问题
- 微观工具变量模型同时存在簇内相关、簇数较少与潜在弱工具变量时，怎样改善假设检验过度拒绝的问题并控制检验尺寸？
- 方法与思路
- 作者从估计方程与残差自助法出发，考察野生自助法的不同变体，并在两个具有聚类依赖、少簇和潜在弱工具变量特征的应用中评估推断。
- 材料陈述的贡献
- 摘要称识别出兼顾弱工具变量与少簇情形的变体，并报告绝对检验尺寸偏差显著降低，主张将野生自助法用于此类模型的推断。
- 阅读关注点
- 核对具体检验统计量、重抽样步骤与权重设定，检查少簇及弱工具变量下的有效条件，并确认尺寸改善与哪些基准方法比较。
- 阅读边界
- 摘要未说明具体变体、簇数、工具变量强度及有效条件；两个应用中的尺寸改善不能直接保证任意聚类工具变量设计都适用。
原文摘要
Summary Microeconomic data often have within‐cluster dependence, which affects standard error estimation and inference. When the number of clusters is small, asymptotic tests can be severely oversized. In the instrumental variables (IV) model, the potential presence of weak instruments further complicates hypothesis testing. We use wild bootstrap methods to improve inference in two empirical applications with these characteristics. Building from estimating equations and residual bootstraps, we identify variants robust to the presence of weak instruments and a small number of clusters. They reduce absolute size bias significantly and demonstrate that the wild bootstrap should join the standard toolkit in IV and cluster‐dependent models.