Projection-Based Statistical Inference in Linear Structural Models with Possibly Weak Instruments
可能存在弱工具变量的线性结构模型中的投影统计推断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：摘要着重于弱工具下置信集的有界性与解析投影，未明确微观结构估计或特定因果应用，所列细分方向的证据不足。
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
可能存在弱工具变量的线性结构模型中的投影统计推断
- 研究问题
- 在线性结构模型可能弱识别时，如何由针对全部内生变量系数的 Anderson–Rubin 置信集构造单个系数的置信区间，并判断其是否有界？
- 方法与思路
- 作者利用二次曲面的几何性质，推导 AR 型置信集有界性的充要条件及其投影置信集的解析解，构造区间仅需最小二乘技术。
- 材料陈述的贡献
- 摘要称，提供了 AR 型置信集有界性的判定条件和投影区间的解析构造，从而可对单个系数推断而不必依赖昂贵数值算法。
- 阅读关注点
- 应核对 AR 型检验获得精确性的假设、投影区间的覆盖性质及可能的保守性，并查看空集、无界区间与退化情形的处理。
- 阅读边界
- 摘要未说明检验精确性所需的分布假设、区间覆盖率或计算细节；解析构造也不保证区间有界、信息充分或优于其他方法。
原文摘要
It is well known that standard asymptotic theory is not applicable or is very unreliable in models with identification problems or weak instruments. One possible way out consists of using a variant of the Anderson–Rubin ((1949), AR) procedure. The latter allows one to build exact tests and confidence sets only for the full vector of the coefficients of the endogenous explanatory variables in a structural equation, but not for individual coefficients. This problem may in principle be overcome by using projection methods (Dufour (1997), Dufour and Jasiak (2001)). At first sight, however, this technique requires the application of costly numerical algorithms. In this paper, we give a general necessary and sufficient condition that allows one to check whether an AR-type confidence set is bounded. Furthermore, we provide an analytic solution to the problem of building projection-based confidence sets from AR-type confidence sets. The latter involves the geometric properties of “quadrics” and can be viewed as an extension of usual confidence intervals and ellipsoids. Only least squares techniques are needed to build the confidence intervals.