Revisiting the Many Instruments Problem using Random Matrix Theory
用随机矩阵理论重新考察多工具变量问题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：摘要明确以工具变量和联立方程模型估计因果效应，并处理多工具变量偏差。
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…
用随机矩阵理论重新考察多工具变量问题
- 研究问题
- 工具变量数量较多乃至超过观测数时，第一阶段岭回归如何改变偏差修正的代价，并影响因果效应估计与调参？
- 方法与思路
- 作者用随机矩阵理论及 Silverstein 方程分析多工具变量偏差修正，将第一阶段推广到岭回归，并推导联立方程模型中的最优调参。
- 材料陈述的贡献
- 摘要称理论包含既有第一阶段 OLS 的偏差近似与修正结果，推广到工具数超过样本数的情形，并得到岭回归调参结果。
- 阅读关注点
- 应核对工具变量有效性、工具数与样本数的增长关系、偏差修正代价的定义，以及最优调参所针对的损失函数和可行估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出工具强度和渐近条件，不能认定岭回归在所有工具配置下更优。
原文摘要
Instrumental variables estimation with many instruments is biased. Traditional bias-adjustments are closely connected to the Silverstein equation. Based on the theory of random matrices, we show that Ridge estimation of the first-stage parameters reduces the implicit price of bias-adjustments. This leads to a trade-off, allowing for less costly estimation of the causal effect, which comes along with improved asymptotic properties. Our theoretical results nest existing ones on bias approximation and adjustment with ordinary least-squares in the first-stage regression and, moreover, generalize them to settings with more instruments than observations. Finally, we derive the optimal tuning parameter of Ridge regressions in simultaneous equations models, which comprises the well-known result for single equation models as a special case with uncorrelated error terms.