Choosing the Dictionary and Penalty for IV-LASSO
IV-LASSO 的工具变量字典与惩罚选择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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要围绕内生解释变量的工具变量估计及结构参数误差展开，对应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…
关注这篇论文的作者
IV-LASSO 的工具变量字典与惩罚选择
- 研究问题
- 工具变量第一阶段采用 LASSO 时，如何选择工具变量字典和惩罚，使有限样本中的结构参数均方误差更小？
- 方法与思路
- 作者在单个内生解释变量、同方差高斯误差模型中，利用一阶与二阶 Stein 恒等式推导可估计的近似均方误差准则。
- 材料陈述的贡献
- 摘要称，该准则揭示拟合复杂度与内生性共同决定的偏误方差权衡；校准模拟中，其惩罚选择相对常用规则最多降低约三分之一均方误差。
- 阅读关注点
- 应核对近似展开及一致估计条件、LASSO 自由度和内生性参数的估计，并检查预设候选列表及非高斯模拟的覆盖范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。理论推导依赖特定模型，摘要中的最大改善幅度不能视为一般性能保证。
原文摘要
Estimating the first stage of an instrumental variables (IV) model with the least absolute shrinkage and selection operator (LASSO) requires choosing a dictionary of technical instruments and a penalty level. First-order asymptotic theory offers no guidance on these choices, as any consistent implementation yields a structural parameter estimator with the same limiting distribution. In finite samples, however, these choices can have a substantial impact on the resulting structural parameter estimate. Working in a model with a single endogenous regressor and homoskedastic Gaussian errors, we use first- and second-order Stein identities to derive the approximate mean squared error (AMSE) of the instrumental-variables LASSO (IV-LASSO) estimator, which can be consistently estimated and used to rank a prespecified list of dictionary-penalty candidates. The AMSE reveals a bias-variance trade-off: more complex first-stage fits better approximate the conditional mean of the endogenous variable but are also more correlated with the structural errors, with complexity measured by the degrees of freedom of the LASSO fit. The weight on this bias rises with the endogeneity of the regressor, a quantity that neither plug-in nor cross-validation penalty rules take into account. Despite the AMSE being derived in a Gaussian model, penalty selection by minimizing the feasible AMSE criterion delivers up to a one-third lower mean squared error compared to cross-validation and plug-in penalty rules in Gaussian and non-Gaussian simulation designs calibrated to the data of Gilchrist and Sands (2016).