Instrumental Variables Regression with Weak Instruments
弱工具变量下的工具变量回归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：摘要研究弱工具变量回归及内生性检验，并用于解读教育回报估计，对应因果推断中的工具变量方法。
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
弱工具变量下的工具变量回归
- 研究问题
- 当工具变量与内生变量的偏相关很弱时，常用工具变量估计量及检验统计量的分布如何变化，应用研究应怎样构造置信域？
- 方法与思路
- 作者将工具变量与内生变量的偏相关设为局部趋零，推导两阶段最小二乘、有限信息极大似然及相关检验统计量的渐近表示。
- 材料陈述的贡献
- 摘要称，所给渐近分布在每个工具变量约十至二十个观测时仍有良好近似，并为非标准置信域构造提供指导。
- 阅读关注点
- 重点核对局部趋零设定、各统计量的极限分布及置信域构造，并检查这些结果如何用于解释教育回报估计。
- 阅读边界
- 摘要未说明完整正则条件、置信域算法与有限样本比较设计；所述近似表现及教育回报应用仍须结合全文核对。
原文摘要
This paper develops asymptotic distribution theory for instrumental variables regression when the partial correlations between the instruments and the endogenous variables are weak, here modeled as local to zero. Asymptotic representation are provided for various statistics, including two-stage least squares and limited information maximum likelihood estimators, Wald statistics, and statistics testing overidentification and endogeneity. The asymptotic distributions provide good approximations to sampling distributions with ten-twenty observations per instrument. The theory suggests concrete guidelines for applied work, including using nonstandard methods for construction of confidence regions. These results are used to interpret J. D. Angrist and A. B. Krueger's (1991) estimates of the returns to education.