Robust IV inference with clustering dependence
聚类相依下的稳健工具变量推断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：摘要核心是通用线性IV的弱识别与聚类相依推断，未明确限定于所列某类面板或其他细分模型。
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
聚类相依下的稳健工具变量推断
- 研究问题
- 线性工具变量模型同时存在弱工具变量和可能异质的聚类相依时，如何改善常规聚类协方差推断的不良表现？
- 方法与思路
- 作者借鉴Fama–MacBeth估计思路，以无偏IV估计量的截断版本构造组级估计，通过保证二阶矩有界稳定组级估计。
- 材料陈述的贡献
- 摘要称，方法在强、弱工具变量序列下均具有渐近有效性，截断有助于改善弱工具变量下的有限样本表现，并用于城市紧凑度研究。
- 阅读关注点
- 应核对聚类数量与组内样本的渐近安排、截断阈值选择、工具变量强度要求，以及组间和组内相依分别受到哪些限制。
- 阅读边界
- 摘要未列出完整相依条件、截断规则或有限样本证据，不能把稳健性理解为允许任意聚类结构或任意工具变量强度。
原文摘要
Summary Linear instrumental variables (IV) models with clustering dependence are widely used in empirical studies, although the common solution, the cluster covariance estimator, often produces undesirable inferential results, especially with weak instruments. In this paper, I propose a method that is robust to both weak IV and (potentially heterogeneous) clustering dependence. The proposed method is based on the idea of Fama–MacBeth estimation, with group-level estimators being a truncated version of the unbiased IV estimator. Truncation stabilizes the group-level estimator by ensuring bounded second moments, thus improving finite-sample performance in weak instrument settings. Asymptotic validity is shown under both strong and weak IV sequences, as well as under general requirements. The proposed method is applied to study the effect of city compactness on population density.