Weak identification robust tests in an instrumental quantile model
工具变量分位数模型中的弱识别稳健检验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。
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：摘要直接研究工具变量分位数模型，并以工具变量框架下的教育回报推断为应用。
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
工具变量分位数模型中的弱识别稳健检验
- 研究问题
- 在工具变量分位数模型中，如何构造不依赖识别强弱的检验，同时降低计算负担并考察教育回报的推断？
- 方法与思路
- 作者采用多步骤方案，研究两步 Anderson–Rubin 统计量及其正交分解，并通过功效实验和教育回报应用展示。
- 材料陈述的贡献
- 摘要称，分解后各组成部分的零假设分布不依赖雅可比矩阵满秩假设，从而提供对识别质量稳健的检验思路。
- 阅读关注点
- 应核对多步骤处理的参数与计算方式、分解后统计量如何形成检验，以及弱识别稳健性仍依赖哪些工具变量条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断检验的具体分布、功效或教育回报结果；弱识别稳健性不等于对无效工具变量稳健。
原文摘要
We develop a testing procedure that is robust to identification quality in an instrumental quantile model. In order to reduce the computational burden, a multi-step approach is taken, and a two-step Anderson-Rubin (AR) statistic is considered. We then propose an orthogonal decomposition of the AR statistic, where the null distribution of each component does not depend on the assumption of a full rank of the Jacobian. Power experiments are conducted, and inferences on returns to schooling using the Angrist and Krueger data are considered as an empirical example.