Wild Bootstrap for Instrumental Variables Regressions with Weak and Few Clusters
少量聚类与弱识别下工具变量回归的野生自助法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：摘要集中于工具变量回归的弱识别和少量聚类检验，未明确因果效应或其他所列专门对象，故不强行归类。
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
少量聚类与弱识别下工具变量回归的野生自助法
- 研究问题
- 当聚类数量固定且较少、各聚类样本扩大，同时工具变量识别强度不一时，野生自助法检验能否控制尺寸并具有局部功效？
- 方法与思路
- 作者在固定聚类数的渐近框架中分析野生自助法 Wald 检验，研究强识别聚类要求，并构造全参数向量的 Anderson–Rubin 检验。
- 材料陈述的贡献
- 摘要称，至少一个聚类强识别时 Wald 检验可近似控制渐近尺寸；新 AR 检验在所有聚类均弱或部分识别时仍有尺寸保证。
- 阅读关注点
- 应核对尺寸误差界、强识别的定义及局部功效所需聚类数，并区分 Wald 与 AR 检验的推断对象和各自适用条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收均未核实。摘要未给出误差界和具体聚类要求，近似尺寸控制不能理解为有限样本精确检验。
原文摘要
We study the wild bootstrap inference for instrumental variable regressions in the framework of a small number of large clusters in which the number of clusters is viewed as fixed and the number of observations for each cluster diverges to infinity. We first show that the wild bootstrap Wald test, with or without using the cluster-robust covariance estimator, controls size asymptotically up to a small error as long as the parameters of endogenous variables are strongly identified in at least one of the clusters. Then, we establish the required number of strong clusters for the test to have power against local alternatives. We further develop a wild bootstrap Anderson-Rubin test for the full-vector inference and show that it controls size asymptotically up to a small error even under weak or partial identification in all clusters. We illustrate the good finite sample performance of the new inference methods using simulations and provide an empirical application to a well-known dataset about US local labor markets.