Power Bounds and Efficiency Loss for Asymptotically Optimal Tests in IV Regression
工具变量回归中渐近最优检验的功效界与效率损失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：摘要研究工具变量检验的通用功效理论，未明确对应所列的因果效应、面板或其他具体领域细分。
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…
工具变量回归中渐近最优检验的功效界与效率损失
- 研究问题
- 在允许异方差或自相关误差的过度识别工具变量模型中，检验能达到多大的功效与尺寸之差，常用检验何时损失功效？
- 方法与思路
- 作者用全变差距离与 Kraft 定理刻画决策理论边界，并比较不同检验对简化式似然信息的利用及其极限功效。
- 材料陈述的贡献
- 摘要称，LM 与条件拟似然比检验可能在原假设和备择明显分离时仍缺乏功效；CLR 在问题趋于完全可区分时达到边界。
- 阅读关注点
- 应核对原假设与备择序列、HAC 设定和条件化方式，以及功效差趋于一的充要条件；确认经验例证与理论失效情形如何对应。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；摘要未展开定理条件，不能推断 CLR 在所有有限样本下均最优。
原文摘要
We characterize the maximal attainable power-size gap in overidentified instrumental variables models with heteroskedastic or autocorrelated (HAC) errors. Using total variation distance and Kraft's theorem, we define the decision theoretic frontier of the testing problem. We show that Lagrange multiplier and conditional quasi likelihood ratio tests can have power arbitrarily close to size even when the null and alternative are well separated, because they do not fully exploit the reduced-form likelihood. In contrast, the conditional likelihood ratio (CLR) test uses the full reduced-form likelihood. We prove that the power-size gap of CLR converges to one if and only if the testing problem becomes trivial in total variation distance, so that CLR attains the decision theoretic frontier whenever any test can. An empirical illustration based on Yogo (2004) shows that these failures arise in empirically relevant configurations.