Average Marginal Effects in One-Step Partially Linear Instrumental Regressions
一步部分线性工具变量回归中的平均边际效应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：摘要聚焦工具变量回归中的平均边际效应估计与推断，与因果效应分析的方法问题直接相关。
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
一步部分线性工具变量回归中的平均边际效应
- 研究问题
- 在部分线性工具变量回归中，如何便于实施地估计平均边际效应并进行有效推断？作者重点处理正则化选择与复杂极限方差带来的困难。
- 方法与思路
- 作者利用再生核希尔伯特空间构造仅依赖一个正则化参数的估计程序，并以 Bayesian bootstrap 处理极限方差解析表达复杂的问题。
- 材料陈述的贡献
- 摘要称，估计量具有一致性和渐近正态性，所提出的自助推断方法有效；模拟与三项实证应用展示有限样本表现及实施方式。
- 阅读关注点
- 应核对工具变量条件、平均边际效应的目标定义、核空间及正则化要求，并检查 Bayesian bootstrap 的构造和有效性证明。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明工具变量识别条件、参数选择规则及三项应用的具体设计。
原文摘要
We propose a novel procedure for estimating and conducting inference on average marginal effects in partially linear instrumental regressions using Reproducing Kernel Hilbert Space methods. Our procedure relies on a single regularization parameter. We obtain the consistency and asymptotic normality of our estimator. Since the variance of the limiting distribution has a complex analytical form, we propose a Bayesian bootstrap method to conduct inference and establish its validity. Our procedure is easy to implement and exhibits good finite-sample performance in simulations. Three empirical applications illustrate its implementation on real data, showing that it yields economically meaningful results.