Robust estimation with many instruments
多工具变量下的稳健估计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：摘要研究通用线性工具变量估计，未明确因果目标或其他所给细分方向的应用对象。
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
多工具变量下的稳健估计
- 研究问题
- 在线性工具变量模型拥有大量工具变量且误差可能厚尾或含异常值时，如何提高估计精度，并构造有效的渐近推断？
- 方法与思路
- 作者将有限信息极大似然估计与结构残差的缩尾处理结合，在多工具变量渐近框架下研究估计量并构造一致方差估计。
- 材料陈述的贡献
- 摘要称估计量对异常值稳健，在包含有限信息极大似然估计量的特定类别中具有极小极大最优性，并具一致性与渐近正态性。
- 阅读关注点
- 应核对最优性对应的损失函数与估计量类别、缩尾阈值的确定方式，以及工具变量数量增长和误差分布的具体限制。
- 阅读边界
- 仅据所给出版社摘要，不能把特定类别中的最优性推广至所有估计方法；摘要未说明是否允许无效工具变量或具体精度增益。
原文摘要
Linear instrumental variables models are widely used in empirical work, but often associated with low estimator precision. This paper proposes an estimator that is robust to outliers and shows that the estimator is minimax optimal in a class of estimators that includes the limited maximum likelihood estimator (LIML). Intuitively, this optimal robust estimator combines LIML with Winsorization of the structural residuals and the Winsorization leads to improved precision under thick-tailed error distributions. Consistency and asymptotic normality of the estimator are established under many instruments asymptotics and a consistent variance estimator which allows for asymptotically valid inference is provided.