Machine-Learning-Powered Specification Testing in Linear Instrumental Variable Models
机器学习驱动的线性工具变量模型设定检验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。
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：摘要聚焦一般线性工具变量模型的设定检验，未明确具体因果效应目标或其他所列领域的应用。
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…
机器学习驱动的线性工具变量模型设定检验
- 研究问题
- 在线性工具变量模型中，尤其工具数等于内生变量数时，能否检验模型设定，并进一步适应弱工具、多工具和聚类误差？
- 方法与思路
- 作者在结构误差对工具均值独立的假设下，利用样本切分和机器学习预测两阶段最小二乘残差，并构造 Anderson–Rubin 型扩展。
- 材料陈述的贡献
- 摘要称方法可检验恰好识别模型，具有渐近第一类错误控制和广泛备择下一致性，并支持异方差、聚类及弱或多工具情形。
- 阅读关注点
- 应核对均值独立相对传统矩条件的加强、残差预测检验的构造，以及学习器条件、样本切分和弱工具扩展的适用限制。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体正则条件和检验功效未说明，未拒绝不能证明全部工具变量假设成立。
原文摘要
The linear instrumental variable (IV) model is widely used in observational studies, yet its validity hinges on strong assumptions. Classical specification tests such as the Sargan-Hansen J test are limited to overidentified settings and are therefore not applicable in the common just-identified case, where the number of instruments is equal to the number of endogenous variables. We propose a novel test for the well-specification of the linear IV model under the assumption that the structural error is mean independent of the instruments. This assumption enables specification testing even in the just-identified setting. Our approach uses the idea of residual prediction: if the two-stage least squares residuals can be predicted from the instruments better than chance, this indicates misspecification. The resulting test employs sample splitting and a user-chosen machine learning method, and we show asymptotic type I error control and consistency against a broad class of alternatives. We further show how the proposed testing principle can be adapted to settings with weak or many instruments via an Anderson-Rubin-type inversion, thereby substantially extending the applicability. The tests accommodate heteroskedasticity- and cluster-robust inference and are implemented in the R package RPIV and the ivmodels software package for Python.