Robust Conditional Wald Inference for Over-Identified IV
过度识别工具变量模型的稳健条件 Wald 推断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：摘要聚焦通用 IV 与 GMM 的弱识别推断，未明确对应某一所列实质领域。
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…
过度识别工具变量模型的稳健条件 Wald 推断
- 研究问题
- 在过度识别的线性工具变量模型中，误差存在异方差或聚类结构时，如何利用通常报告的估计与稳健标准误进行弱工具变量推断？
- 方法与思路
- 作者推导条件 Wald 临界值的推广，使其适用于非同方差误差，包括异方差及聚类方差结构，并讨论非线性弱识别模型的应用。
- 材料陈述的贡献
- 摘要称推广后的条件 Wald 临界值能够处理非同方差误差，并可应用于弱识别 GMM 等非线性模型，扩展原有推断的适用范围。
- 阅读关注点
- 应核对临界值依赖哪些统计量、异方差及聚类结构需要哪些条件，以及从线性 IV 推广至非线性弱识别模型的具体步骤。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明聚类渐近设定、计算细节或覆盖率，不能认为适用于任意聚类设计。
原文摘要
For the over-identified linear instrumental variables model, researchers commonly report the 2SLS estimate along with the robust standard error and seek to conduct inference with these quantities. If errors are homoskedastic, one can control the degree of inferential distortion using the first-stage F critical values from Stock and Yogo (2005), or use the robust-to-weak instruments Conditional Wald critical values of Moreira (2003). If errors are non-homoskedastic, these methods do not apply. We derive the generalization of Conditional Wald critical values that is robust to non-homoskedastic errors (e.g., heteroskedasticity or clustered variance structures), which can also be applied to nonlinear weakly-identified models (e.g. weakly-identified GMM).