Wild bootstrap inference for instrumental variables regressions with weak and few clusters
少簇与弱识别工具变量回归的野生自助法推断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：摘要研究弱识别工具变量推断，并应用于美国地方劳动市场数据。
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…
关注这篇论文的作者
少簇与弱识别工具变量回归的野生自助法推断
- 研究问题
- 独立簇数量固定、每簇规模增长时，如何为工具变量回归构造有效自助法检验，并处理部分或全部簇内的弱识别？
- 方法与思路
- 作者在簇内依赖足够弱的渐近框架下研究野生自助法 Wald 检验，并构造用于全部参数向量推断的 Anderson–Rubin 检验。
- 材料陈述的贡献
- 摘要称至少一簇强识别时 Wald 检验可渐近控制尺寸至小误差；即使所有簇均弱识别，所提向量检验仍可渐近控制尺寸。
- 阅读关注点
- 应核对簇内依赖与强识别条件、Wald 尺寸误差的界、局部备择下的功效条件，以及向量检验能否用于所需子集参数。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断所称小误差的大小和有限样本可靠性；全文向量推断不能直接等同子集推断，不推断版本变化。
原文摘要
We study the wild bootstrap inference for instrumental variable regressions under an alternative asymptotic framework that the number of independent clusters is fixed, the size of each cluster diverges to infinity, and the within cluster dependence is sufficiently weak. We first show that the wild bootstrap Wald test controls size asymptotically up to a small error as long as the parameters of endogenous variables are strongly identified in at least one of the clusters. Second, we establish the conditions for the bootstrap tests to have power against local alternatives. We further develop a wild bootstrap Anderson–Rubin test for the full-vector inference and show that it controls size asymptotically even under weak identification in all clusters. We illustrate their good performance using simulations and provide an empirical application to a well-known dataset about US local labor markets.