Efficient Estimation in NPIV Models: A Comparison of Various Neural Networks-Based Estimators
非参数工具变量模型的有效估计：多种神经网络估计量比较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：摘要研究非参数工具变量函数及其平均导数，并应用于需求关系估计。
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…
关注这篇论文的作者
非参数工具变量模型的有效估计：多种神经网络估计量比较
- 研究问题
- 在中等偏高维的非参数工具变量模型中，如何利用神经网络估计加权平均导数，并获得有效推断和可实施的有限样本表现？
- 方法与思路
- 作者以神经网络作为非线性筛，构建正交化插件与最优加权筛最小距离程序，以及筛有效得分程序，并比较不同网络架构。
- 材料陈述的贡献
- 摘要称，两类导数估计量具有根号样本量渐近正态性且一阶等价；作者提供实施步骤，并报告调参与推断稳定性的实际困难。
- 阅读关注点
- 应核对逆问题与筛逼近条件、有效权重构造及标准误计算，并关注网络优化、调参和需求应用中工具变量识别的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出效率结论的完整条件，且明确提示网络推断稳定性与理论实现存在差距。
原文摘要
Artificial Neural Networks (ANNs) can be viewed as nonlinear sieves that can approximate complex functions of high dimensional variables more effectively than linear sieves. We investigate the performance of various ANNs in nonparametric instrumental variables (NPIV) models of moderately high dimensional covariates that are relevant to empirical economics. We present two efficient procedures for estimation and inference on a weighted average derivative (WAD): an orthogonalized plug-in with optimally-weighted sieve minimum distance (OP-OSMD) procedure and a sieve efficient score (ES) procedure. Both estimators for WAD use ANN sieves to approximate the unknown NPIV function and are root-n asymptotically normal and first-order equivalent. We provide a detailed practitioner's recipe for implementing both efficient procedures. We compare their finite-sample performances in various simulation designs that involve smooth NPIV function of up to 13 continuous covariates, different nonlinearities and covariate correlations. Some Monte Carlo findings include: 1) tuning and optimization are more delicate in ANN estimation; 2) given proper tuning, both ANN estimators with various architectures can perform well; 3) easier to tune ANN OP-OSMD estimators than ANN ES estimators; 4) stable inferences are more difficult to achieve with ANN (than spline) estimators; 5) there are gaps between current implementations and approximation theories. Finally, we apply ANN NPIV to estimate average partial derivatives in two empirical demand examples with multivariate covariates.