Weak Identification with Many Instruments
大量工具变量下的弱识别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：摘要将线性工具变量回归用于因果效应估计，并围绕大量工具下的弱识别稳健推断展开，直接关联因果推断。
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
大量工具变量下的弱识别
- 研究问题
- 单个内生解释变量面对大量工具变量时，如何评估工具强度，并在异方差及大量外生控制变量下进行弱识别稳健推断？
- 方法与思路
- 作者综述相关估计与推断思路，建立刀切式 LM 检验的新结果，并构造剔除大量外生变量且保留重新中心化性质的检验。
- 材料陈述的贡献
- 摘要称，新增理论覆盖刀切式 LM 统计量，并将弱识别稳健检验扩展至工具与外生变量均很多的情形，具有正确尺寸和良好功效。
- 阅读关注点
- 应核对工具强度的衡量方式、工具和控制变量数量的增长条件，以及刀切重新中心化、异方差处理和功效比较的细节。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明检验成立的完整条件，也未给出尺寸和功效的具体结果。
原文摘要
Linear instrumental variable regressions are widely used to estimate causal effects. Many instruments arise from the use of ``technical'' instruments and more recently from the empirical strategy of ``judge design''. This paper surveys and summarizes ideas from recent literature on estimation and statistical inferences with many instruments for a single endogenous regressor. We discuss how to assess the strength of the instruments and how to conduct weak identification-robust inference under heteroskedasticity. We establish new results for a jack-knifed version of the Lagrange Multiplier (LM) test statistic. Furthermore, we extend the weak-identification-robust tests to settings with both many exogenous regressors and many instruments. We propose a test that properly partials out many exogenous regressors while preserving the re-centering property of the jack-knife. The proposed tests have correct size and good power properties.