A Heteroscedasticity-Robust Overidentifying Restriction Test with High-Dimensional Covariates
高维协变量下对异方差稳健的过度识别约束检验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。
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：摘要主要提供一般高维工具变量检验，未明确对应给定细分中的因果设计或其他专门方向。
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…
关注这篇论文的作者
高维协变量下对异方差稳健的过度识别约束检验
- 研究问题
- 在线性工具变量模型中，协变量和工具变量数量可超过样本量时，如何检验过度识别约束并稳健处理异方差？
- 方法与思路
- 作者先构造基于高维参数最大范数的检验，再加入原假设下渐近为零的功效增强分量，以检测特定工具无效备择。
- 材料陈述的贡献
- 摘要称，检验允许维度超过样本量、具有尺度不变性和异方差稳健性，并提高对某些含多个局部无效工具备择的功效。
- 阅读关注点
- 应核对高维稀疏性与工具强度条件、最大范数统计量的校准方式，以及功效比较和增强分量针对的备择范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断弱工具情形、具体条件或经验检验结果；功效优势不能外推，版本变化未说明。
原文摘要
This paper proposes an overidentifying restriction test for high-dimensional linear instrumental variable models. The novelty of the proposed test is that it allows the number of covariates and instruments to be larger than the sample size. The test is scale-invariant and robust to heteroskedastic errors. To construct the final test statistic, we first introduce a test based on the maximum norm of multiple parameters that could be high-dimensional. The theoretical power based on the maximum norm is higher than that in the modified Cragg-Donald test (Kolesár, 2018), the only existing test allowing for large-dimensional covariates. Second, following the principle of power enhancement (Fan et al., 2015), we introduce the power-enhanced test, with an asymptotically zero component used to enhance the power to detect some extreme alternatives with many locally invalid instruments. Finally, an empirical example of the trade and economic growth nexus demonstrates the usefulness of the proposed test.