Testing underidentification in linear models, with applications to dynamic panel and asset pricing models
线性模型的欠识别检验及其动态面板与资产定价应用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：摘要明确涉及聚类动态面板 GMM，题名同时标明资产定价应用，分别支持面板数据与资产定价分类。
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
线性模型的欠识别检验及其动态面板与资产定价应用
- 研究问题
- 研究线性工具变量模型中，欠识别检验如何与过度识别、得分和秩检验联系，并如何形成适用于聚类动态面板等情形的稳健检验。
- 方法与思路
- 作者把欠识别检验表示为使用相同工具变量的辅助模型过度识别检验，再借助 LIML 和连续更新 GMM 分析不变秩检验与估计。
- 材料陈述的贡献
- 摘要称，该框架可建立新的稳健欠识别检验，并提出两步不变、渐近有效的 GMM 估计量，以及收敛时达到连续更新解的迭代估计量。
- 阅读关注点
- 应核对辅助模型与原模型检验等价的条件、聚类稳健处理和秩零假设，并检查新 GMM 估计量的不变性、效率及迭代收敛条件。
- 阅读边界
- 仅依据所给出版社摘要，不能认定迭代程序必然收敛，也不能判断有限样本表现；资产定价应用的具体设定在摘要中未说明。
原文摘要
This paper develops the links between overidentification tests, underidentification tests, score tests and the Cragg and Donald (1993, 1997) and Kleibergen and Paap (2006) rank tests in linear instrumental variable (IV) models. For the structural linear model y=Xβ+u, with the endogenous explanatory variables partitioned as X=x1X2, this general framework shows that standard underidentification tests are tests for overidentification in an auxiliary linear model, x1=X2δ+ɛ, estimated by IV estimation methods using the same instruments as for the original model. This simple structure makes it possible to establish valid robust underidentification tests for linear IV models where these have not been proposed or used before, like clustered dynamic panel data models estimated by GMM. The framework also applies to tests for the rank of general parameter matrices. Invariant rank tests are based on the LIML or continuously updated GMM estimators of both structural and first-stage parameters. This insight leads to the proposal of new two-step invariant asymptotically efficient GMM estimators, and a new iterated GMM estimator that, if it converges, converges to the continuously updated GMM estimator.