Inferential Theory for Granular Instrumental Variables in High Dimensions
高维颗粒工具变量的推断理论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：摘要以因子误差面板构造工具来估计结构时间序列模型，并应用全球原油市场，支持时间序列、因子与宏观面板分类。
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
高维颗粒工具变量的推断理论
- 研究问题
- 如何在大截面、大时间维度及未知因子结构下，为颗粒工具变量估计的内生结构时间序列参数建立推断理论？
- 方法与思路
- 作者利用含因子误差结构的面板构造工具变量，分析规模集中度、估计因子及精度矩阵误差，并增加工具实现过度识别。
- 材料陈述的贡献
- 摘要称，建立高维识别与渐近推断结果，说明若干估计误差渐近可忽略，并通过额外工具提升效率及应用于原油市场。
- 阅读关注点
- 应核对Herfindahl指数的极限要求、截面与时间维度增长条件，以及工具有效性和各估计误差可忽略的依据。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未列出增长率及识别条件，也未说明原油应用的新结果。
原文摘要
The Granular Instrumental Variables (GIV) methodology exploits panels with factor error structures to construct instruments to estimate structural time series models with endogeneity even after controlling for latent factors. We extend the GIV methodology in several dimensions. First, we extend the identification procedure to a large $N$ and large $T$ framework, which depends on the asymptotic Herfindahl index of the size distribution of $N$ cross-sectional units. Second, we treat both the factors and loadings as unknown and show that the sampling error in the estimated instrument and factors is negligible when considering the limiting distribution of the structural parameters. Third, we show that the sampling error in the high-dimensional precision matrix is negligible in our estimation algorithm. Fourth, we overidentify the structural parameters with additional constructed instruments, which leads to efficiency gains. Monte Carlo evidence is presented to support our asymptotic theory and application to the global crude oil market leads to new results.