Minimum distance approach to inference with many instruments
多工具变量推断的最小距离方法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：摘要围绕内生解释变量、工具变量估计及相关推断展开，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
多工具变量推断的最小距离方法
- 研究问题
- 在线性模型只有一个内生解释变量、工具变量很多时，如何构造有效率的估计，并应对约化式系数比例限制的失效？
- 方法与思路
- 作者利用不变性构造最小距离目标函数，比较不同权重矩阵，并通过放松约化式系数的比例限制构造估计与置信区间。
- 材料陈述的贡献
- 摘要称，特定权重连接随机效应估计与 LIML，最优权重提高效率；放松比例限制则连接偏差校正两阶段最小二乘。
- 阅读关注点
- 应核对多工具变量渐近框架、权重矩阵的估计方式，以及比例限制失效时置信区间的目标参数与有效性条件。
- 阅读边界
- 仅据所给出版社摘要，不能判断工具强度与误差分布的完整要求；效率改善及稳健区间的适用边界需查全文。
原文摘要
I analyze a linear instrumental variables model with a single endogenous regressor and many instruments. I use invariance arguments to construct a new minimum distance objective function. With respect to a particular weight matrix, the minimum distance estimator is equivalent to the random effects estimator of Chamberlain and Imbens (2004), and the estimator of the coefficient on the endogenous regressor coincides with the limited information maximum likelihood estimator. This weight matrix is inefficient unless the errors are normal, and I construct a new, more efficient estimator based on the optimal weight matrix. Finally, I show that when the minimum distance objective function does not impose a proportionality restriction on the reduced-form coefficients, the resulting estimator corresponds to a version of the bias-corrected two-stage least squares estimator. I use the objective function to construct confidence intervals that remain valid when the proportionality restriction is violated.