Gradient Wild Bootstrap for Instrumental Variable Quantile Regressions with Weak and Few Clusters
少数大聚类与弱识别下工具变量分位数回归的梯度野生自助法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。
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：摘要直接研究工具变量分位数回归的检验与推断。
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
少数大聚类与弱识别下工具变量分位数回归的梯度野生自助法
- 研究问题
- 在聚类数量固定、各聚类样本量增大且识别可能较弱的情形下，如何对工具变量分位数回归构建可靠检验？
- 方法与思路
- 作者研究梯度野生自助 Wald 检验及聚类稳健协方差学生化版本，并构造对弱识别稳健的 Anderson–Rubin 检验。
- 材料陈述的贡献
- 摘要称 Wald 检验在至少一个聚类强识别时近似控制渐近尺寸，AR 检验允许所有聚类弱或部分识别，并比较局部功效。
- 阅读关注点
- 应核对小尺寸误差的界限、至少一个聚类强识别的含义，以及学生化的功效比较与 AR 检验有效性所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出误差界数值和完整条件，近似控制并非精确有限样本保证。
原文摘要
We study the gradient wild bootstrap-based inference for instrumental variable quantile regressions in the framework of a small number of large clusters in which the number of clusters is viewed as fixed, and the number of observations for each cluster diverges to infinity. For the Wald inference, we show that our wild bootstrap Wald test, with or without studentization using the cluster-robust covariance estimator (CRVE), controls size asymptotically up to a small error as long as the parameter of endogenous variable is strongly identified in at least one of the clusters. We further show that the wild bootstrap Wald test with CRVE studentization is more powerful for distant local alternatives than that without. Last, we develop a wild bootstrap Anderson-Rubin (AR) test for the weak-identification-robust inference. We show it controls size asymptotically up to a small error, even under weak or partial identification for all clusters. We illustrate the good finite-sample performance of the new inference methods using simulations and provide an empirical application to a well-known dataset about US local labor markets.