A more powerful subvector Anderson Rubin test in linear instrumental variables regression
线性工具变量回归中更有功效的子向量 Anderson–Rubin 检验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：摘要核心是一般线性工具变量模型中的弱识别检验；风险偏好应用不足以确定所列某一具体领域细分。
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…
线性工具变量回归中更有功效的子向量 Anderson–Rubin 检验
- 研究问题
- 在线性工具变量模型允许弱工具变量时，如何改善对子向量参数的保守检验，同时维持同方差设定下的尺寸控制？
- 方法与思路
- 作者构造条件子向量 Anderson–Rubin 检验，使数据依赖临界值适应未受检验参数的识别强度，并提供临界值表。
- 材料陈述的贡献
- 摘要称，新检验具有正确尺寸，且功效严格高于所比较的既有子向量检验；发展经济学风险偏好应用显示其可强化经验结论。
- 阅读关注点
- 应核对条件化方式、干扰参数识别强度如何影响临界值，以及正确尺寸与严格功效提升结论的适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要，功效优势限于文中比较对象和设定；不能推断异方差下的有效性，具体技术条件未说明。
原文摘要
We study subvector inference in the linear instrumental variables model assuming homoskedasticity but allowing for weak instruments. The subvector Anderson and Rubin (1949) test that uses chi square critical values with degrees of freedom reduced by the number of parameters not under test, proposed by Guggenberger, Kleibergen, Mavroeidis, and Chen (2012), controls size but is generally conservative. We propose a conditional subvector Anderson and Rubin test that uses data‐dependent critical values that adapt to the strength of identification of the parameters not under test. This test has correct size and strictly higher power than the subvector Anderson and Rubin test by Guggenberger et al. (2012). We provide tables with conditional critical values so that the new test is quick and easy to use. Application of our method to a model of risk preferences in development economics shows that it can strengthen empirical conclusions in practice.