A simple and robust estimator for linear regression models with strictly exogenous instruments
严格外生工具变量下线性回归的简便稳健估计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：论文核心是通用线性工具变量估计，季度宏观应用不足以确定其属于给定的专门领域。
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
严格外生工具变量下线性回归的简便稳健估计
- 研究问题
- 在线性回归具有严格外生工具变量时，能否在接近最小识别条件下构造简单、对数据生成过程一致有效的估计量？
- 方法与思路
- 作者提出积分工具变量估计量，将其写成简单加权最小二乘形式，无需选择带宽、调节参数或有限工具变量集合。
- 材料陈述的贡献
- 摘要称，该估计量在接近最小识别条件下具有对数据生成过程的一致一致性，模拟支持其作为最优工具变量法的稳健补充。
- 阅读关注点
- 应核对严格外生性的定义、一致性所覆盖的数据生成过程集合、权重构造，以及有限样本比较和英国季度数据应用。
- 阅读边界
- 摘要未列明接近最小识别条件的具体内容，也未说明适用范围；应用中的显著估计和模拟表现不能证明普遍优于其他工具变量法。
原文摘要
In this paper, I investigate the estimation of linear regression models with strictly exogenous instruments under minimal identifying assumptions. I introduce a uniformly (in the data‐generating process) consistent estimator under nearly minimal identifying assumptions. The proposed estimator, called the integrated instrumental variables (IIV) estimator, is a simple weighted least‐squares estimator. It does not require the choice of a bandwidth or tuning parameter, or the selection of a finite set of instruments. Thus, the estimator is extremely simple to implement. Monte Carlo evidence supports the theoretical claims and suggests that the IIV estimator is a robust complement to optimal instrumental variables in finite samples. In an application with quarterly UK data, the IIV estimator estimates a positive and significant elasticity of intertemporal substitution and an equally sensible estimate for its reciprocal, in sharp contrast to instrumental variables methods that fail to identify these parameters.