Testing Identifying Assumptions in Parametric Separable Models: A Conditional Moment Inequality Approach
检验参数可分模型的识别假设：条件矩不等式方法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：摘要明确检验处理外生性和工具变量有效性，并讨论拒绝后仍可识别的因果参数，直接支持因果推断分类。
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
检验参数可分模型的识别假设：条件矩不等式方法
- 研究问题
- 如何检验参数可分模型中的处理外生性、工具变量有效性和同方差假设，并理解这些识别假设的可检验边界？
- 方法与思路
- 作者将相关可检验含义写成交集界问题，采用已有推断方法与 Stata 实现，并讨论放松函数形式后的因果参数识别。
- 材料陈述的贡献
- 摘要称，模拟支持检验的一致性与尺寸控制，两项工具变量模型应用被拒绝，并给出特定映射条件下不可检验的结论。
- 阅读关注点
- 核对检验针对哪些联合假设、拒绝能否归因于单一假设，以及连续处理的一一映射条件和放松函数形式的识别结果。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；模型被拒绝不能仅凭摘要归因于工具变量本身无效。
原文摘要
In this paper, we propose a simple method for testing identifying assumptions in parametric separable models, namely treatment exogeneity, instrument validity, and/or homoskedasticity. We show that the testable implications can be written in the intersection bounds framework, which is easy to implement using the inference method proposed in Chernozhukov, Lee, and Rosen (2013), and the Stata package of Chernozhukov et al. (2015). Monte Carlo simulations confirm that our test is consistent and controls size. We use our proposed method to test the validity of some commonly used instrumental variables, such as the average price in other markets in Nevo and Rosen (2012), the Bartik instrument in Card (2009), and the test rejects both instrumental variable models. When the identifying assumptions are rejected, we discuss solutions that allow researchers to identify some causal parameters of interest after relaxing functional form assumptions. We show that the IV model is nontestable if no functional form assumption is made on the outcome equation, when there exists a one-to-one mapping between the continuous treatment variable, the instrument, and the first-stage unobserved heterogeneity.