Optimal inference for instrumental variables regression with non-Gaussian errors
非高斯误差下工具变量回归的最优推断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。
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：摘要研究通用线性工具变量推断，未提供所列具体领域的明确依据。
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…
非高斯误差下工具变量回归的最优推断
- 研究问题
- 在单个内生解释变量、固定外生变量与工具变量且误差分布未知时，如何分别在弱识别与强识别下进行有效系数推断？
- 方法与思路
- 作者在独立同分布误差及其分布满足适度光滑条件下构造检验，并提出一种两阶段最小二乘类估计量用于强识别推断。
- 材料陈述的贡献
- 摘要称，检验在弱识别下达到所述近似效率，在强识别下一致且渐近最优；估计量在强识别下可实现非高斯误差下的渐近效率。
- 阅读关注点
- 应核对近似效率与最优性的定义、误差分布的光滑条件，以及弱识别检验和强识别置信区间各自适用的渐近框架。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体检验构造或效率界；摘要的常规置信区间保证限于强识别，不能直接延伸到弱识别。
原文摘要
This paper is concerned with inference on the coefficient on the endogenous regressor in a linear instrumental variables model with a single endogenous regressor, nonrandom exogenous regressors and instruments, and i.i.d. errors whose distribution is unknown. It is shown that under mild smoothness conditions on the error distribution it is possible to develop tests which are “nearly” efficient in the sense of Andrews et al. (2006) when identification is weak and consistent and asymptotically optimal when identification is strong. In addition, an estimator is presented which can be used in the usual way to construct valid (indeed, optimal) confidence intervals when identification is strong. The estimator is of the two stage least squares variety and is asymptotically efficient under strong identification whether or not the errors are normal.