One-step smoothing splines instrumental regression
一步平滑样条工具变量回归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：摘要针对内生性引入工具变量估计非参数关系，并应用于恩格尔曲线，最直接关联因果推断中的工具变量方法。
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…
一步平滑样条工具变量回归
- 研究问题
- 在解释变量内生且存在工具变量时，如何用单步平滑样条估计非参数回归函数，并处理导数估计与单调性限制？
- 方法与思路
- 作者将平滑样条扩展到工具变量回归，以单一步骤和一个正则化参数估计，并讨论单调约束及部分线性模型。
- 材料陈述的贡献
- 摘要称，文章推导函数及一阶导数在内生变量支撑集上的一致收敛速度，模拟表现良好，并给出恩格尔曲线应用。
- 阅读关注点
- 应核对工具变量识别与逆问题条件、正则化参数选择、一致收敛所需光滑性，以及单调约束如何实施。
- 阅读边界
- 摘要未提供工具变量有效性条件、具体收敛速度或模拟数值；不能将相对表现扩展为对所有两步估计方法的优势。
原文摘要
Summary We extend nonparametric regression smoothing splines to a context where there is endogeneity and instrumental variables are available. Unlike popular existing estimators, the resulting estimator is one step and relies on a unique regularisation parameter. We derive rates of the convergence for the estimator and its first derivative, which are uniform in the support of the endogenous variable. We also address the issue of imposing monotonicity in estimation and extend the approach to a partly linear model. Simulations confirm the good performances of our estimator compared to two-step procedures. Our method yields economically sensible results when used to estimate Engel curves.