Choosing the Number of Instruments
工具变量数量的选择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：摘要研究有效工具变量集合的选择，并以教育回报的工具变量估计为应用，最直接对应因果推断中的工具变量方法。
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
工具变量数量的选择
- 研究问题
- 摘要研究在工具变量有效的前提下，如何选择工具变量集合以改善估计表现，并强调这一选择即使在大型截面应用中也会影响结果。
- 方法与思路
- 作者为 2SLS、LIML 和偏差调整的 B2SLS 推导可最小化的均方误差准则，用于选择工具变量集合，并进行理论分析和模拟。
- 材料陈述的贡献
- 摘要称给出了均方误差推导与最优性结果，模拟中选取工具变量通常改善表现；教育回报应用中，所选集合使 2SLS 与 LIML 结果接近。
- 阅读关注点
- 核对均方误差近似的假设、候选工具集合及准则实施方法，并检查最优性所针对的范围，以及教育回报应用中估计结果的可比性。
- 阅读边界
- 准则以有效工具变量为前提，不能据此验证排除限制；摘要未说明最优性的完整条件、模拟改善幅度或教育回报估计的具体数值。
原文摘要
Properties of instrumental variable estimators are sensitive to the choice of valid instruments, even in large cross-section applications. In this paper we address this problem by deriving simple mean-square error criteria that can be minimized to choose the instrument set. We develop these criteria for two-stage least squares (2SLS), limited information maximum likelihood (LIML), and a bias adjusted version of 2SLS (B2SLS). We give a theoretical derivation of the mean-square error and show optimality. In Monte Carlo experiments we find that the instrument choice generally yields an improvement in performance. Also, in the Angrist and Krueger (1991) returns to education application, when the instrument set is chosen in the way we consider, it turns out that both 2SLS and LIML give similar (large) returns to education.