Jackknife instrumental variable estimation with heteroskedasticity
异方差下的刀切工具变量估计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：摘要研究通用 IV 估计在大量工具变量和异方差下的性质，未明确因果目标、面板结构或其他给定领域对象。
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
异方差下的刀切工具变量估计
- 研究问题
- 面对未知异方差和大量工具变量，如何在保持数据信号的同时获得一致估计，并兼顾工具变量识别强度的差异？
- 方法与思路
- 作者通过观测加权构造对称刀切 IV 估计，分别推导大量强工具和大量弱工具下的渐近分布，并给出简洁的标准误公式。
- 材料陈述的贡献
- 摘要称，该方法保留信号，使渐近方差中的信号部分小于舍弃部分信号的估计方法；模拟中相较 HLIM、HFUL 表现良好。
- 阅读关注点
- 应核对观测权重与高层假设、不同解释变量的识别强度设定，以及方差分量比较是否意味着总体方差或均方误差更小。
- 阅读边界
- 仅据所给 RePEc 出版社摘要；具体假设和模拟结果未说明，信号方差分量较小不能自动推出全面占优，也不推断版本变化。
原文摘要
We present a new jackknife estimator for instrumental variable inference with unknown heteroskedasticity. It weighs observations such that many-instruments consistency is guaranteed while the signal component in the data is maintained. We show that this results in a smaller signal component in the many instruments asymptotic variance when compared to estimators that neglect a part of the signal to achieve consistency. Both many strong instruments and many weak instruments asymptotic distributions are derived using high-level assumptions that allow for instruments with identifying power that varies between explanatory variables. Standard errors are formulated compactly. We review briefly known estimators and show in particular that our symmetric jackknife estimator performs well when compared to the HLIM and HFUL estimators of Hausman et al. in Monte Carlo experiments.