A Dimension-Agnostic Bootstrap Anderson-Rubin Test For Instrumental Variable Regressions
工具变量回归中维度自适应的自助法 Anderson–Rubin 检验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：摘要属于一般工具变量弱识别检验理论，未明确对应所列领域中的具体因果或经济应用。
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
工具变量回归中维度自适应的自助法 Anderson–Rubin 检验
- 研究问题
- 工具变量数量可能固定、增长甚至超过样本量时，如何无需预先选择维度渐近框架而保持弱识别稳健检验的有效性？
- 方法与思路
- 作者在 Anderson–Rubin 检验中引入岭正则化降低投影矩阵有效秩，并通过强逼近论证自助法跨不同极限分布有效。
- 材料陈述的贡献
- 摘要称检验在多种工具变量维度下具有正确渐近尺寸，统一涵盖加权卡方、正态及混合极限，并报告功效提升。
- 阅读关注点
- 核对岭参数选择、有效秩及各极限区域的条件，自助法一致有效的范围，以及功效比较是否使用相同尺寸校准。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出误差结构、统一性条件和功效提升的具体数值。
原文摘要
Weak-identification-robust tests for instrumental variable (IV) regressions are typically developed separately depending on whether the number of IVs is treated as fixed or increasing with the sample size, forcing researchers to make a stance on the asymptotic behavior, which is often ambiguous in practice. This paper proposes a bootstrap-based, dimension-agnostic Anderson-Rubin (AR) test that achieves correct asymptotic size regardless of whether the number of IVs is fixed or diverging, and even accommodates cases where the number of IVs exceeds the sample size. By incorporating ridge regularization, our approach reduces the effective rank of the projection matrix and yields regimes where the limiting distribution of the AR statistic can be a weighted chi-squared, a normal, or a mixture of the two. Strong approximation results ensure that the bootstrap procedure remains uniformly valid across all regimes, while also delivering substantial power gains over existing methods by exploiting rank reduction.