A Conditional Linear Combination Test with Many Weak Instruments
大量弱工具变量下的条件线性组合检验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。
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：摘要研究大量弱工具变量的 IV 回归检验，并以教育收益相关数据展示应用。
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条件线性组合检验
- 研究问题
- 在工具变量数量较多、识别较弱且存在异方差时，如何构造兼顾检验水平与功效、并能适应识别强度的推断方法？
- 方法与思路
- 作者组合 jackknife AR、LM 及正交化 LM 检验，并依据随识别强度调整的决策理论规则选择组合权重。
- 材料陈述的贡献
- 摘要称检验在弱识别和强识别下控制渐近水平，并在指定检验类中具有可容许性；强识别下还具有局部功效最优性。
- 阅读关注点
- 应核对工具变量数量的渐近设定、权重选择规则、条件化方式，以及可容许性和局部功效最优性限定的检验类。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未列出完整条件与具体功效结果，所称最优性仅适用于明确限定的比较范围。
原文摘要
We consider a linear combination of jackknife Anderson-Rubin (AR), jackknife Lagrangian multiplier (LM), and orthogonalized jackknife LM tests for inference in IV regressions with many weak instruments and heteroskedasticity. Following I.Andrews (2016), we choose the weights in the linear combination based on a decision-theoretic rule that is adaptive to the identification strength. Under both weak and strong identifications, the proposed test controls asymptotic size and is admissible among certain class of tests. Under strong identification, our linear combination test has optimal power against local alternatives among the class of invariant or unbiased tests which are constructed based on jackknife AR and LM tests. Simulations and an empirical application to Angrist and Krueger's (1991) dataset confirm the good power properties of our test.