Endogenous Heteroskedasticity in Linear Models
线性模型中的内生异方差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：摘要明确以含内生解释变量的线性回归估计因果参数，并采用控制函数处理内生性。
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…
线性模型中的内生异方差
- 研究问题
- 在解释变量内生且异方差依赖这些变量的线性模型中，作者所研究的两阶段最小二乘不一致问题如何处理，以恢复目标因果参数？
- 方法与思路
- 作者采用允许离散和连续解释变量的控制函数框架，提出两步估计程序，推导一致性、渐近正态性及渐近协方差矩阵的一致估计。
- 材料陈述的贡献
- 摘要称提供可实施的估计与有效推断方法，通过蒙特卡洛比较不同实现策略，并以工作培训应用展示所提程序的使用。
- 阅读关注点
- 应核对结构误差与内生变量如何共同决定异方差、工具变量及控制函数的条件，特别是两阶段最小二乘失效的具体机制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出关键模型条件，不能把所述不一致推广到所有含内生变量的异方差模型。
原文摘要
Linear regressions with endogeneity are widely used to estimate causal effects. This paper studies a framework that involves two common practical issues: endogeneity of the regressors and heteroskedasticity that depends on endogenous regressors, i.e., endogenous heteroskedasticity. To address the inconsistency of the two-stage least squares estimator in this scenario, and recover the causal parameters of interest, we develop a framework for practical estimation and inference based on the control function approach allowing for discrete and continuous regressors. In particular, we suggest a simple two-step estimation procedure. We establish the limiting properties of the estimator, namely, consistency and asymptotic normality. In addition, we develop practical valid inference methods by proposing an estimator for the asymptotic variance-covariance matrix, and formally establishing its consistency. Monte Carlo simulations provide evidence on the finite-sample performance of the proposed methods and evaluate different implementation strategies. We revisit an empirical application on job training to illustrate the methods.