Testing overidentifying restrictions with many instruments and heteroscedasticity using regularised jackknife IV
基于正则化刀切工具变量法的多工具变量异方差过度识别检验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。
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：摘要属于通用线性工具变量检验理论，未提供足够依据归入所列具体应用或数据结构方向。
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
基于正则化刀切工具变量法的多工具变量异方差过度识别检验
- 研究问题
- 在线性模型存在异方差、工具变量众多且可能较弱时，如何进行过度识别检验，并评估工具变量的强度？
- 方法与思路
- 作者将刀切法与稳定投影矩阵的正则化结合，构造新的J检验，并另行提出适用于异方差和多工具变量的正则化F检验。
- 材料陈述的贡献
- 摘要称，新J检验在多工具变量情形具有正确的渐近尺寸，模拟中的小样本表现优于所比较检验，并提供工具强度检验。
- 阅读关注点
- 应核对工具变量数量可超过样本量或无限时的条件、正则化参数选择，以及弱工具变量下尺寸结论与F检验的适用范围。
- 阅读边界
- 摘要未说明具体渐近条件、弱工具变量强度范围和模拟设计，不能据此认定所有弱识别情形均适用或有限样本普遍占优。
原文摘要
Summary This paper proposes a new overidentifying restrictions test in a linear model when the number of instruments (possibly weak) may be smaller or larger than the sample size n or even infinite in a heteroscedastic framework. The proposed J test combines two techniques: the jackknife method and the regularisation technique which consists in stabilising the projection matrix. We theoretically show that our new test achieves the asymptotically correct size in the presence of many instruments. The simulation results demonstrate that our modified J statistic test has better empirical properties in small samples than existing J tests. We also propose a regularised F-test to assess the strength of the instruments, which is robust to heteroscedasticity and many instruments.