Salvaging Falsified Instrumental Variable Models
挽救被证伪的工具变量模型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：摘要明确研究多工具变量线性模型、2SLS 与模型证伪后的参数解释，直接对应工具变量因果推断及其敏感性分析。
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
挽救被证伪的工具变量模型
- 研究问题
- 基准工具变量模型被数据证伪后，应如何报告仍与数据相容的参数范围？研究希望概括最小限度调整模型所产生的估计变化。
- 方法与思路
- 作者提出证伪自适应集合，汇集最小程度调整后未被证伪模型所允许的参数；在线性多工具变量模型中利用少量 2SLS 系数计算。
- 材料陈述的贡献
- 摘要称该集合扩展基准估计对象，无需选择或校准敏感性参数；在线性多工具变量模型中有简单闭式表达，并用于道路与贸易研究。
- 阅读关注点
- 核对允许放松哪些工具变量假设、“最小”调整的定义、集合的识别与推断方式，以及应用中它与过度识别检验的关系。
- 阅读边界
- 摘要未说明放松假设的具体路径或集合的抽样不确定性；仅凭摘要不能判断模型调整是否适合具体应用，因果解释仍须核对假设。
原文摘要
What should researchers do when their baseline model is falsified? We recommend reporting the set of parameters that are consistent with minimally nonfalsified models. We call this the falsification adaptive set (FAS). This set generalizes the standard baseline estimand to account for possible falsification. Importantly, it does not require the researcher to select or calibrate sensitivity parameters. In the classical linear IV model with multiple instruments, we show that the FAS has a simple closed‐form expression that only depends on a few 2SLS coefficients. We apply our results to an empirical study of roads and trade. We show how the FAS complements traditional overidentification tests by summarizing the variation in estimates obtained from alternative nonfalsified models.