Instrumental variable estimation in the presence of many moment conditions
大量矩条件下的工具变量收缩估计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：摘要讨论通用工具变量估计的多工具问题与收缩方法，未给出明确因果目标或其他所列应用领域的信息。
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
大量矩条件下的工具变量收缩估计
- 研究问题
- 工具变量数量较多导致估计表现恶化时，如何通过收缩部分工具变量的影响降低估计误差，并选择收缩程度？
- 方法与思路
- 作者先收缩内生变量对工具变量回归中的部分 OLS 系数，再以收缩后的预测值作为工具，按渐近均方误差选择收缩参数。
- 材料陈述的贡献
- 摘要称最优收缩参数具有闭式表达，便于实现；蒙特卡洛研究显示方法表现良好，并在许多情形优于已有工具选择程序。
- 阅读关注点
- 应核对哪些工具对应系数被收缩、多工具变量渐近设定、均方误差表达式，以及闭式参数在实际样本中如何估计。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断工具有效性与强度要求或具体优势范围；模拟比较不能支持普遍优于工具选择方法。
原文摘要
This paper develops shrinkage methods for addressing the “many instruments” problem in the context of instrumental variable estimation. It has been observed that instrumental variable estimators may behave poorly if the number of instruments is large. This problem can be addressed by shrinking the influence of a subset of instrumental variables. The procedure can be understood as a two-step process of shrinking some of the OLS coefficient estimates from the regression of the endogenous variables on the instruments, then using the predicted values of the endogenous variables (based on the shrunk coefficient estimates) as the instruments. The shrinkage parameter is chosen to minimize the asymptotic mean square error. The optimal shrinkage parameter has a closed form, which makes it easy to implement. A Monte Carlo study shows that the shrinkage method works well and performs better in many situations than do existing instrument selection procedures.