Robust Instrumental Variables: Sharp Rates and Inference under Adversarial Contamination
稳健工具变量：对抗污染下的精确收敛率与推断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：摘要聚焦通用工具变量估计的对抗污染理论，未明确处理效应、时间序列或其他所列细分对象。
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…
稳健工具变量：对抗污染下的精确收敛率与推断
- 研究问题
- 少量观测可被针对性篡改时，如何减轻其对 2SLS 的影响，并刻画一致性、平方根样本量估计及高斯推断的污染边界？
- 方法与思路
- 作者以分位数缩尾均值替代 2SLS 中的样本均值，在对抗污染和有限矩条件下分析误差率，并构造稳健推断与检验。
- 材料陈述的贡献
- 摘要称 W-2SLS 达到极小极大精确速率，给出匹配下界与污染阈值，并提供兼容弱识别的缩尾 Anderson–Rubin 检验。
- 阅读关注点
- 应核对有限矩与工具变量相关性的要求、缩尾水平和污染比例的关系，以及弱识别检验和置信校准界的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整列出理论条件，稳健化不能自动弥补工具变量无效。
原文摘要
Because 2SLS is built from sample averages, a small number of observations can have a disproportionate effect on estimates and inference. We introduce W-2SLS, a simple drop-in robustification that replaces these averages by quantile-winsorized means. We analyze W-2SLS under adversarial contamination, which permits both the identities and the reported values of the contaminated observations to depend on the realized clean sample and therefore accommodates targeted or strategic manipulation. Under finite $m$-th moments, W-2SLS attains the minimax-sharp rate $η_{n}^{1-\frac1m}+n^{-1/2}$, where $η_n$ is the fraction of observations that may be altered. Matching lower bounds identify the exact contamination thresholds for uniform consistency, root-$n$ estimation, and centered Gaussian inference with the same first-order law as clean-sample 2SLS. When $\sqrt{n}η_{n}^{1-\frac1m}\to 0$ robustness is first-order free. We also construct feasible heteroskedasticity-robust inference and a winsorized Anderson--Rubin test valid under weak identification and adversarial contamination. Finally, even without contamination, ordinary 2SLS can have poor uniform finite-sample concentration, whereas W-2SLS admits confidence-calibrated sub-Gaussian deviation guarantees.