Cluster Jackknife Instrumental Variables Estimation
簇刀切工具变量估计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：摘要明确研究工具变量因果估计，并将结论延伸到异质处理效应下的局部平均处理效应。
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…
簇刀切工具变量估计
- 研究问题
- 当工具变量较多且数据需要按簇推断时，为何通常的刀切工具变量方法仍有偏误？如何在保留簇内相关性的同时改进因果估计？
- 方法与思路
- 作者提出CJIVE：为每个观察构造第一阶段预测值时，剔除其所属的整个簇，并在传统线性模型及异质处理效应框架下分析。
- 材料陈述的贡献
- 摘要称，CJIVE消除多工具变量偏误，可一致估计线性模型因果效应及异质框架中的局部平均处理效应，并用于审前羁押应用。
- 阅读关注点
- 应核对簇划分、工具变量有效性、工具数量与簇规模条件，以及异质效应下局部平均处理效应的对象和标准误构造。
- 阅读边界
- 依据所给Crossref在线优先版本摘要，不推断后续刊本变化；偏误消除及一致性的具体条件、有限样本表现均未说明。
原文摘要
Abstract Researchers commonly use jackknife-based instrumental variables estimators to eliminate the many-instruments bias of two-stage least squares. Where inference must be clustered, however, the jackknife fails to eliminate the bias. We propose a cluster-jackknife approach in which first-stage predicted values for each observation are constructed from a regression that leaves out the observation’s entire cluster. The cluster-jackknife instrumental variables estimator (CJIVE) eliminates many-instruments bias, and consistently estimates causal effects in the traditional linear model and local average treatment effects in the heterogeneous treatment effects framework. We illustrate the method in an application estimating the effects of pre-trial detention in Miami-Dade County.