A semi-parametric Bayesian approach to the instrumental variable problem
工具变量问题的半参数贝叶斯方法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：摘要明确采用线性结构方程与工具变量方程，并研究结构参数的半参数贝叶斯估计。
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…
工具变量问题的半参数贝叶斯方法
- 研究问题
- 在线性结构方程和简约式方程中，如何放宽误差正态性，并考察贝叶斯工具变量推断在非正态及弱工具情形下的表现？
- 方法与思路
- 作者为两类方程误差的联合分布设置 Dirichlet 过程先验，以正态分布为基准，通过成分数可变的正态混合实现。
- 材料陈述的贡献
- 摘要称，真实数据和模拟支持方法的可行性，并在非正态误差实验中发现其较标准贝叶斯或经典方法更有效率。
- 阅读关注点
- 应核对工具变量有效性条件、先验与计算方案，以及弱工具比较和非正态效率结论所对应的数据生成过程与指标。
- 阅读边界
- 仅据所给出版社摘要，无法判断先验敏感性、弱识别下的可靠性或效率增益大小；模拟结果不能视为普遍优势。
原文摘要
We develop a Bayesian semi-parametric approach to the instrumental variable problem. We assume linear structural and reduced form equations, but model the error distributions non-parametrically. A Dirichlet process prior is used for the joint distribution of structural and instrumental variable equations errors. Our implementation of the Dirichlet process prior uses a normal distribution as a base model. It can therefore be interpreted as modeling the unknown joint distribution with a mixture of normal distributions with a variable number of mixture components. We demonstrate that this procedure is both feasible and sensible using actual and simulated data. Sampling experiments compare inferences from the non-parametric Bayesian procedure with those based on procedures from the recent literature on weak instrument asymptotics. When errors are non-normal, our procedure is more efficient than standard Bayesian or classical methods.