Post-Selection and Post-Regularization Inference in Linear Models with Many Controls and Instruments
多控制变量与工具变量线性模型中的选择后及正则化后推断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：摘要明确以多控制变量和工具变量环境中的因果参数估计为目标，并讨论变量选择后的推断，直接对应因果推断。
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…
多控制变量与工具变量线性模型中的选择后及正则化后推断
- 研究问题
- 当控制变量和工具变量都很多时，如何通过高维稀疏方法同时进行选择，并围绕因果或结构参数开展估计与推断？
- 方法与思路
- 作者利用稀疏高维模型方法同时选择控制变量和工具变量，将原先分别处理多工具变量或多控制变量的方案扩展到两者并存。
- 材料陈述的贡献
- 摘要所述贡献是统一容纳大量控制变量与工具变量，并给出模拟及实证示例；技术支持材料置于在线补充附录。
- 阅读关注点
- 应核对目标参数、工具变量有效性及稀疏近似要求，检查选择后推断如何处理模型选择误差，技术论证需结合补充附录阅读。
- 阅读边界
- 这是 arXiv 预印本，同行评审未核实。摘要未说明具体推断构造、识别条件或示例结果，不能据此认定任意选择后推断有效。
原文摘要
In this note, we offer an approach to estimating causal/structural parameters in the presence of many instruments and controls based on methods for estimating sparse high-dimensional models. We use these high-dimensional methods to select both which instruments and which control variables to use. The approach we take extends BCCH2012, which covers selection of instruments for IV models with a small number of controls, and extends BCH2014, which covers selection of controls in models where the variable of interest is exogenous conditional on observables, to accommodate both a large number of controls and a large number of instruments. We illustrate the approach with a simulation and an empirical example. Technical supporting material is available in a supplementary online appendix.