Properties of the Conditional Likelihood Ratio Test under Discrete Approximation
离散近似下条件似然比检验的性质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：摘要聚焦弱识别检验的一般数值实现，未明确具体因果问题或其他所列应用方向，领域细分证据不足。
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…
离散近似下条件似然比检验的性质
- 研究问题
- 弱识别情形下，条件似然比检验所需的非凸最小化若以离散网格近似，是否仍能保持理论上的检验尺寸和功效性质？
- 方法与思路
- 作者研究数值实现误差对检验的影响，并在线性工具变量场景中比较网格方法与可保证全局最小化的既有多项式方法。
- 材料陈述的贡献
- 摘要强调特定设计中网格近似表现良好不等于统一理论保证，并指出全局最小化方法可使计算实现与 CLR 理论性质相符。
- 阅读关注点
- 应核对网格精度、参数空间和目标函数性质，检查尺寸与功效结论的适用模型类，以及多项式方法的实现条件和计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出具体误差界或数值结果，不能断言所有网格实现均会失效。
原文摘要
The conditional likelihood ratio (CLR) test is a valuable tool for inference under weak identification, with appealing theoretical properties in both linear and non-linear settings. Its implementation nevertheless requires minimizing a non-convex objective function, a difficulty long recognized even in the linear IV setting. While grid-based methods that provide a practical approximation may perform well in particular designs, such procedures do not guarantee that the resulting test preserves the theoretical properties of the CLR test uniformly across a class of data-generating processes. This paper examines the implementation challenges and their consequences for test size and power. In the linear IV settings, we contrast the grid-based method with the polynomial approach of Moreira, Newey, and Sharifvaghefi(2024), which guarantees global minimization and aligns computation with the theoretical properties of the CLR test.