Efficient size correct subset inference in homoskedastic linear instrumental variables regression
同方差线性工具变量回归中高效且水平正确的子集推断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：摘要研究通用线性工具变量模型的子集检验，未明确具体因果目标或经济学应用领域。
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
同方差线性工具变量回归中高效且水平正确的子集推断
- 研究问题
- 在同方差线性工具变量回归中，只检验多个结构参数中的一个时，如何同时获得弱识别下的水平控制与强识别下的效率？
- 方法与思路
- 作者将条件似然比检验的条件临界值函数用于构造子集似然比检验的临界值上界，并比较不同识别强度下的检验功效。
- 材料陈述的贡献
- 摘要称所构造的子集检验在弱识别下水平正确、强识别下有效率；功效研究显示其在较好识别时优于所比较的子集 AR 检验。
- 阅读关注点
- 应核对临界值上界如何处理其余结构参数、水平正确与效率的具体定义，以及同方差设定和不同识别强度下的功效比较。
- 阅读边界
- 仅据所给出版社摘要，具体模型条件与功效数值未说明；摘要也称弱识别时功效略低，且结果不能直接推广到异方差模型。
原文摘要
We show that Moreira’s (2003) conditional critical value function for likelihood ratio (LR) tests on the structural parameter in homoskedastic linear instrumental variables (IV) regression provides a bounding critical value function for subset LR tests on one structural parameter of several for general homoskedastic linear IV regression. The resulting subset LR test is size correct under weak identification and efficient under strong identification. A power study shows that it outperforms the subset Anderson–Rubin test with conditional critical values from Guggenberger et al. (2019a) when the structural parameters are reasonably identified and has slightly less power when identification is weak.