Instrumental variable estimation with heteroskedasticity and many instruments
异方差与多工具变量下的工具变量估计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：摘要研究通用工具变量估计理论，未明确因果目标或所列其他细分模型，故不作领域归类。
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…
异方差与多工具变量下的工具变量估计
- 研究问题
- 当工具变量数量较多、甚至许多工具较弱，且数据存在异方差时，如何同时控制工具变量估计偏差并获得可靠标准误？
- 方法与思路
- 作者提出类似 Fuller 的估计量，并在类似 White 的标准误中加入多工具变量修正项，研究多种渐近框架并开展模拟比较。
- 材料陈述的贡献
- 摘要称，该估计量具有有限矩和若干情形下的高渐近效率；标准误在多种渐近框架下相合，所考察异方差模拟中偏差与离散程度较低。
- 阅读关注点
- 应核对工具变量数量及强度的渐近设定、异方差稳健修正项，以及有限矩和效率结论的条件与模拟比较覆盖的设计。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；具体正则条件、模拟数值及区间覆盖未说明，所述偏差与离散程度改善仅限作者考察的情形。
原文摘要
This paper gives a relatively simple, well behaved solution to the problem of many instruments in heteroskedastic data. Such settings are common in microeconometric applications where many instruments are used to improve efficiency and allowance for heteroskedasticity is generally important. The solution is a Fuller (1977) like estimator and standard errors that are robust to heteroskedasticity and many instruments. We show that the estimator has finite moments and high asymptotic efficiency in a range of cases. The standard errors are easy to compute, being like White's (1982), with additional terms that account for many instruments. They are consistent under standard, many instrument, and many weak instrument asymptotics. We find that the estimator is asymptotically as efficient as the limited-information maximum likelihood (LIML) estimator under many weak instruments. In Monte Carlo experiments, we find that the estimator performs as well as LIML or Fuller (1977) under homoskedasticity, and has much lower bias and dispersion under heteroskedasticity, in nearly all cases considered.