INFERENCE IN INSTRUMENTAL VARIABLE MODELS WITH HETEROSKEDASTICITY AND MANY INSTRUMENTS
异方差与多工具变量下的工具变量模型推断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：摘要明确研究工具变量模型的弱工具稳健推断，并应用于教育回报估计，具有直接的因果效应识别与推断文本依据。
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…
异方差与多工具变量下的工具变量模型推断
- 研究问题
- 在工具变量数量较多且可能较弱、误差又存在异方差时，如何对完整参数向量或其中一部分参数进行可靠的假设检验？
- 方法与思路
- 作者提出异方差稳健的 Anderson–Rubin 型检验，并在其余参数可一致估计时研究子参数检验，推导高斯极限和卡方近似。
- 材料陈述的贡献
- 摘要称完整向量检验所需假设弱于既有同类检验，模拟显示水平与功效具有竞争力，并用大学邻近性工具估计教育回报。
- 阅读关注点
- 应核对工具变量数量与强度的允许范围、异方差条件、未检验参数一致估计的要求，以及高斯和卡方近似的选择依据。
- 阅读边界
- 仅依据所给 Crossref 摘要；假设放宽的具体内容、模拟数值及教育回报结果未说明，不能保证任意多弱工具情形或推断刊本变化。
原文摘要
This paper proposes novel inference procedures for instrumental variable models in the presence of many, potentially weak instruments that are robust to the presence of heteroskedasticity. First, we provide an Anderson–Rubin-type test for the entire parameter vector that is valid under assumptions weaker than previously proposed Anderson–Rubin-type tests. Second, we consider the case of testing a subset of parameters under the assumption that a consistent estimator for the parameters not under test exists. We show that under the null, the proposed statistics have Gaussian limiting distributions and derive alternative chi-square approximations. An extensive simulation study shows the competitive finite sample properties in terms of size and power of our procedures. Finally, we provide an empirical application using college proximity instruments to estimate the returns to education.