Best Feasible Conditional Critical Values for a More Powerful Subvector Anderson-Rubin Test
更有检验力的子向量 Anderson–Rubin 检验：最佳可行条件临界值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：摘要属于一般工具变量弱识别检验理论，未明确给定细分中的因果应用、面板或其他专门模型。
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
更有检验力的子向量 Anderson–Rubin 检验：最佳可行条件临界值
- 研究问题
- 在线性工具变量模型存在弱工具变量时，如何选择子向量 Anderson–Rubin 检验的条件临界值，以保持检验水平并提高检验力？
- 方法与思路
- 作者改为对统计量矩阵的第二小特征值进行条件化，并沿用已有临界值函数；另将程序扩展至近似 Kronecker 结构的异方差情形。
- 材料陈述的贡献
- 摘要称，新检验保持正确水平，且未检验参数超过一个时检验力严格高于原条件检验；该优势也可延伸至指定异方差结构。
- 阅读关注点
- 应核对第二小特征值为何反映弱识别、条件分布如何推导，以及严格检验力优势和异方差扩展分别成立于哪些参数与模型范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未给出完整条件和临界值算法，异方差结论不能推广至任意异方差。
原文摘要
For subvector inference in the linear instrumental variables model under homoskedasticity but allowing for weak instruments, Guggenberger, Kleibergen, and Mavroeidis (2019) (GKM) propose a conditional subvector Anderson and Rubin (1949) (AR) test that uses data-dependent critical values that adapt to the strength of the parameters not under test. This test has correct size and strictly higher power than the test that uses standard asymptotic chi-square critical values. The subvector AR test is the minimum eigenvalue of a data dependent matrix. The GKM critical value function conditions on the largest eigenvalue of this matrix. We consider instead the data dependent critical value function conditioning on the second-smallest eigenvalue, as this eigenvalue is the appropriate indicator for weak identification. We find that the data dependent critical value function of GKM also applies to this conditioning and show that this test has correct size and power strictly higher than the GKM test when the number of parameters not under test is larger than one. Our proposed procedure further applies to the subvector AR test statistic that is robust to an approximate kronecker product structure of conditional heteroskedasticity as proposed by Guggenberger, Kleibergen, and Mavroeidis (2024), carrying over its power advantage to this setting as well.