Jackknife estimation of a cluster-sample IV regression model with many weak instruments
多弱工具变量下聚类样本 IV 回归模型的刀切估计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。
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：摘要聚焦一般聚类 IV 估计理论，未明确因果目标或具体应用，现有领域细分缺少足够直接的归类依据。
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…
多弱工具变量下聚类样本 IV 回归模型的刀切估计
- 研究问题
- 在包含聚类特定效应、异方差及可能众多外生控制变量的样本中，如何应对多弱工具变量造成的估计与推断困难？
- 方法与思路
- 作者提出新的刀切 IV 估计量，在剔除聚类效应和外生控制变量时保留刀切法的重新中心化性质，并分析相应统计量。
- 材料陈述的贡献
- 摘要称，新估计量在所研究的多弱工具变量渐近框架下一致且渐近正态，模拟中的 t 检验尺寸控制优于所比较的刀切程序。
- 阅读关注点
- 应核对工具变量强度、工具数量和聚类数量的渐近关系，以及剔除控制变量的具体构造、方差估计和模拟比较设计。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，不能判断一致性与正态性所需的完整条件；模拟优势限于所比较设计，也不能推断后续版本变化。
原文摘要
This paper proposes new jackknife IV estimators that are robust to the effects of many weak instruments and error heteroskedasticity in a cluster sample setting with cluster-specific effects and possibly many included exogenous regressors. The estimators that we propose are designed to properly partial out the cluster-specific effects and included exogenous regressors while preserving the re-centering property of the jackknife methodology. To the best of our knowledge, our proposed procedures provide the first consistent estimators under many weak instrument asymptotics in the setting considered. We also present results on the asymptotic normality of our estimators and show that t-statistics based on said estimators are asymptotically normal under the null and consistent under fixed alternatives. Monte Carlo results show that our t-statistics perform better in controlling size in finite samples than those based on alternative jackknife IV procedures previously introduced in the literature.