Inference with Many Weak Instruments
大量弱工具变量下的统计推断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。
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：摘要研究线性工具变量模型的弱识别与稳健检验，对应因果推断中的工具变量识别方法。
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
大量弱工具变量下的统计推断
- 研究问题
- 在线性工具变量模型中，当工具变量数量可与样本量同阶增长且识别较弱时，如何在异方差下保持检验尺寸有效？
- 方法与思路
- 作者提出 Anderson–Rubin 统计量的刀切版本及新方差估计量，并构造与刀切工具变量估计 Wald 检验尺寸相关的预检验。
- 材料陈述的贡献
- 摘要称刀切 AR 检验在大量工具变量、异方差和弱识别下具有一致正确尺寸，并提出适用于该环境的弱识别预检验。
- 阅读关注点
- 应核对弱识别的量化定义、工具变量增长与设计条件、方差估计构造，以及预检验和 Wald 尺寸之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列明一致有效性的参数范围、预检验阈值或功效数值。
原文摘要
We develop a concept of weak identification in linear IV models in which the number of instruments can grow at the same rate or slower than the sample size. We propose a jackknifed version of the classical weak identification-robust Anderson-Rubin (AR) test statistic. Large-sample inference based on the jackknifed AR is valid under heteroscedasticity and weak identification. The feasible version of this statistic uses a novel variance estimator. The test has uniformly correct size and good power properties. We also develop a pre-test for weak identification that is related to the size property of a Wald test based on the Jackknife Instrumental Variable Estimator (JIVE). This new pre-test is valid under heteroscedasticity and with many instruments.