How Much Should We Trust Instrumental Variable Estimates in Political Science? Practical Advice Based on Over 60 Replicated Studies
政治学中的工具变量估计有多可信？基于六十余项复现的实践建议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：摘要评估实证因果研究中的工具变量识别、弱工具问题与 2SLS 推断实践。
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…
政治学中的工具变量估计有多可信？基于六十余项复现的实践建议
- 研究问题
- 政治学实证研究是否正确评估工具强度与两阶段最小二乘估计的不确定性，复现结果又能揭示哪些识别与推断隐患？
- 方法与思路
- 作者复现政治学三本期刊在 2010—2022 年发表的 67 篇论文，检查非独立同分布误差、稳健推断及工具强度与估计比值的关系。
- 材料陈述的贡献
- 摘要报告约 19%—30% 的样本内 2SLS 估计检验功效不足，并发现若干工具强度与估计差异模式，据此提出改善实践的检查清单。
- 阅读关注点
- 应核对复现样本的筛选、聚类与弱工具推断的处理、功效不足的判定，以及估计比值与工具强度关系能支持何种识别诊断。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；所述比例仅针对复现样本，相关模式提示问题，不能单独证明识别假设被违反。
原文摘要
Instrumental variable (IV) strategies are widely used in political science to establish causal relationships. However, the identifying assumptions required by an IV design are demanding, and it remains challenging for researchers to assess their validity. In this paper, we replicate 67 papers published in three top journals in political science during 2010-2022 and identify several troubling patterns. First, researchers often overestimate the strength of their IVs due to non-i.i.d. errors, such as a clustering structure. Second, the most commonly used t-test for the two-stage-least-squares (2SLS) estimates often severely underestimates uncertainty. Using more robust inferential methods, we find that around 19-30% of the 2SLS estimates in our sample are underpowered. Third, in the majority of the replicated studies, the 2SLS estimates are much larger than the ordinary-least-squares estimates, and their ratio is negatively correlated with the strength of the IVs in studies where the IVs are not experimentally generated, suggesting potential violations of unconfoundedness or the exclusion restriction. To help researchers avoid these pitfalls, we provide a checklist for better practice.