Instrumental variables regressions with uncertain exclusion restrictions: a Bayesian approach
排除限制不确定时的工具变量回归：贝叶斯方法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：摘要围绕工具变量识别中的排除限制及其不确定性，直接对应因果推断的识别敏感性。
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
排除限制不确定时的工具变量回归：贝叶斯方法
- 研究问题
- 在线性工具变量模型中，若对工具与结构误差正交的排除限制存在先验疑虑，这种疑虑如何影响结构参数推断的精度？
- 方法与思路
- 作者采用贝叶斯方法，将排除限制有效性的先验不确定性映射为目标参数的不确定性，并通过既有实证应用进行说明。
- 材料陈述的贡献
- 摘要称适度的排除限制不确定性即可显著降低参数估计精度，且在大样本或强工具等原本较精确的情形中相对影响更大。
- 阅读关注点
- 应核对排除限制不确定性的先验参数化、参数识别与后验计算，以及不同先验设定下实证结论的敏感程度。
- 阅读边界
- 仅依据所给 Crossref 版本摘要；先验形式和影响幅度未说明，不能据此判定具体工具有效性，也不能推断其他版本变化。
原文摘要
SUMMARY The identification of structural parameters in the linear instrumental variables (IV) model is typically achieved by imposing the prior identifying assumption that the error term in the structural equation of interest is orthogonal to the instruments. Since this exclusion restriction is fundamentally untestable, there are often legitimate doubts about the extent to which the exclusion restriction holds. In this paper I illustrate the effects of such prior uncertainty about the validity of the exclusion restriction on inferences based on linear IV models. Using a Bayesian approach, I provide a mapping from prior uncertainty about the exclusion restriction into increased uncertainty about parameters of interest. Moderate prior uncertainty about exclusion restrictions can lead to a substantial loss of precision in estimates of structural parameters. This loss of precision is relatively more important in situations where IV estimates appear to be more precise, for example in larger samples or with stronger instruments. I illustrate these points using several prominent recent empirical papers that use linear IV models. An accompanying electronic table allows users to readily explore the robustness of inferences to uncertainty about the exclusion restriction in their particular applications. Copyright © 2010 John Wiley & Sons, Ltd.