Two-Sample IV: Efficient Two-Step Estimation and Tests for Overidentification and Weak-Instruments
两样本工具变量：有效两步估计、过度识别与弱工具检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究处理效应的两样本工具变量估计及工具有效性检验，并以教育对投票行为的影响为应用，直接对应因果推断。
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…
两样本工具变量：有效两步估计、过度识别与弱工具检验
- 研究问题
- 结果与处理变量位于不同样本、工具变量在两样本均可见时，如何在异方差和样本异质性下有效估计，并检验过度识别与弱工具？
- 方法与思路
- 作者提出基于约化式和第一阶段回归摘要统计量的稳健两步程序，并构造两样本 Hansen 检验及适用于异方差的有效 F 检验。
- 材料陈述的贡献
- 摘要称，方法在一般异方差和样本异质性下实现有效估计，只需六类回归摘要对象，并扩展弱工具检验及展示聚类稳健应用。
- 阅读关注点
- 核对样本异质性允许的范围、两样本参数的对应关系、效率成立条件，以及第一阶段和有效 F 统计量的偏差标准与推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出两样本识别条件与检验阈值，不能直接外推任意样本差异。
原文摘要
Two-sample IV is a popular estimation method when the outcome and treatment variables are available in different samples, whereas instruments are available in both samples. The standard estimator is two-sample two-stage least squares estimator, which is efficient under homoskedasticity and homogeneity of the samples. We develop a robust two-step procedure for efficient estimation under general heteroskedasticity and heterogeneity of the samples, and propose a related two-sample Hansen overidentification test. A key feature of our approach is that only summary statistics from the linear regressions of the reduced form and first-stage in the two samples are needed. These are the six objects of the estimated coefficient vectors, and the homoskedastic and heteroskedasticity robust estimated variance matrices. We further show that the first-stage F-statistic in the treatment sample can be used as a test for weak instruments in the standard way under homoskedasticity and homogeneity, with the relative bias here a proportional bias. We propose an extension of the effective F-statistic of Montiel-Olea and Pflueger (2013) for the heteroskedastic case, following the generalization in Windmeijer (2025). We illustrate the estimators and tests in an application studying the effect of education on voting behavior from Marshall (2019), with cluster robust inference.