A NEW PROJECTION-TYPE SPLIT-SAMPLE SCORE TEST IN LINEAR INSTRUMENTAL VARIABLES REGRESSION
线性工具变量回归中的新投影型分样本得分检验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：摘要研究线性工具变量模型的通用参数推断，未明确因果目标或具体经济结构模型，故不据“结构系数”强行分类。
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…
线性工具变量回归中的新投影型分样本得分检验
- 研究问题
- 在线性工具变量回归中，对部分结构系数进行分样本推断时，如何控制过度拒绝并减轻传统投影方法的保守性？
- 方法与思路
- 作者提出新的投影型推断方法，并在基于两阶段最小二乘的分样本框架中，讨论结构系数子集的得分检验。
- 材料陈述的贡献
- 摘要称新方法既能防止对真实参数值的失控过度拒绝，又能降低常用投影方法的保守性，但未给出改进幅度。
- 阅读关注点
- 应核对投影集合与样本划分方式、干扰参数的处理，以及控制拒绝概率和降低保守性分别依赖哪些识别条件。
- 阅读边界
- 所给 Crossref 摘要未说明统计量、识别强度要求或数值比较；不能据此断言检验具有普遍功效优势，也不能推断版本变化。
原文摘要
In this paper we introduce a new method of projection-type inference and describe it in the context of two stage least squares–based split-sample inference on subsets of structural coefficients in a linear instrumental variables regression model. The use of the new method not only guards against the uncontrolled overrejection of the true value of the parameters of interest but also reduces the conservativeness of the usual method of projection proposed by Dufour and his coauthors (Dufour, 1997, Econometrica 65, 1365–1388; Dufour and Jasiak, 2001, International Economic Review 41, 815–843; Dufour and Taamouti, 2005, discussion paper; Dufour and Taamouti, 2005, Econometrica 73, 1351–1365; Dufour and Taamouti, 2007, Journal of Econometrics 139, 133–153).