Bayesian model averaging in the instrumental variable regression model
工具变量回归中的贝叶斯模型平均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：摘要直接讨论工具变量、外生性与识别限制，并应用于教育回报，最直接涉及因果推断中的识别问题。
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…
工具变量回归中的贝叶斯模型平均
- 研究问题
- 当工具变量集合、外生性限制、识别限制有效性和外生解释变量均不确定时，如何在大量候选回归模型间进行推断？
- 方法与思路
- 作者开发可逆跳跃 MCMC 实现工具变量回归的贝叶斯模型平均，兼容不同先验，并计算外生性或过度识别等限制的概率。
- 材料陈述的贡献
- 摘要称，算法可灵活适配已有工具变量先验，处理多种模型不确定性并评估相关限制的概率，最后以教育回报应用展示方法。
- 阅读关注点
- 应核对候选模型空间与先验如何定义、识别不足或弱工具如何处理，以及限制的后验概率对先验和模型设定的敏感性。
- 阅读边界
- 仅据所给出版社摘要，不能判断工具变量有效性或教育回报的因果解释；限制的后验概率本身也不能替代对识别条件的实质论证。
原文摘要
This paper considers the instrumental variable regression model when there is uncertainty about the set of instruments, exogeneity restrictions, the validity of identifying restrictions and the set of exogenous regressors. This uncertainty can result in a huge number of models. To avoid statistical problems associated with standard model selection procedures, we develop a reversible jump Markov chain Monte Carlo algorithm that allows us to do Bayesian model averaging. The algorithm is very flexible and can be easily adapted to analyze any of the different priors that have been proposed in the Bayesian instrumental variables literature. We show how to calculate the probability of any relevant restriction such as exogeneity or over-identification. We illustrate our methods in a returns-to-schooling application.