Resistant Inference in Instrumental Variable Models
工具变量模型中的抗污染推断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。
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：摘要围绕工具变量模型与弱工具变量稳健检验展开，直接对应因果识别和推断方法。
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
工具变量模型中的抗污染推断
- 研究问题
- 工具变量检验如何同时应对弱工具变量、异常观测和重尾误差，避免少量数据污染显著改变检验结论？
- 方法与思路
- 作者用影响函数分析传统弱工具变量稳健检验的污染敏感性，并基于 M 估计构造替代检验，包括 Mallows 型稳健 CLR。
- 材料陈述的贡献
- 摘要称传统检验对微小污染具有无界敏感性，所构造稳健 CLR 与传统 CLR 具有相同渐近分布，并提供模拟和应用。
- 阅读关注点
- 应核对污染模型、M 估计的设定及弱工具变量渐近框架，重点检查稳健 CLR 分布结论的条件与尺寸、功效权衡。
- 阅读边界
- 这是 arXiv 预印本，不能确认已同行评审或期刊接收。摘要未说明稳健性成立的具体条件，也未给出各检验的数值比较。
原文摘要
The classical tests in the instrumental variable model can behave arbitrarily if the data is contaminated. For instance, one outlying observation can be enough to change the outcome of a test. We develop a framework to construct testing procedures that are robust to weak instruments, outliers and heavy-tailed errors in the instrumental variable model. The framework is constructed upon M-estimators. By deriving the influence functions of the classical weak instrument robust tests, such as the Anderson-Rubin test, K-test and the conditional likelihood ratio (CLR) test, we prove their unbounded sensitivity to infinitesimal contamination. Therefore, we construct contamination resistant/robust alternatives. In particular, we show how to construct a robust CLR statistic based on Mallows type M-estimators and show that its asymptotic distribution is the same as that of the (classical) CLR statistic. The theoretical results are corroborated by a simulation study. Finally, we revisit three empirical studies affected by outliers and demonstrate how the new robust tests can be used in practice.