Relaxing Instrument Exogeneity with Common Confounders
利用共同混杂因素放宽工具变量外生性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：摘要明确研究工具变量、未观测混杂、代理变量和教育回报的因果识别，直接对应因果推断方法。
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
利用共同混杂因素放宽工具变量外生性
- 研究问题
- 研究工具变量存在共同未观测混杂时，能否借助代理变量放宽传统外生性要求，并识别和估计因果效应。
- 方法与思路
- 作者引入给定未观测共同混杂的条件外生性，允许代理变量直接影响处理与结果，并构造双重稳健正交矩。
- 材料陈述的贡献
- 摘要称在两类模型限制下给出点识别及低维参数的根号样本量估计，并用 NLS97 分析教育回报中的偏差。
- 阅读关注点
- 应核对代理变量限制、两条识别路径、积分方程解不唯一的处理，以及正交矩实现与干扰参数估计的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整说明识别和收敛条件，也未报告教育回报数值。
原文摘要
Instruments can be used to identify causal effects in the presence of unobserved confounding, under the famous relevance and exogeneity (unconfoundedness and exclusion) assumptions. As exogeneity is difficult to justify and to some degree untestable, it often invites criticism in applications. Hoping to alleviate this problem, we propose a novel identification approach, which relaxes traditional IV exogeneity to exogeneity conditional on some unobserved common confounders. We assume there exist some relevant proxies for the unobserved common confounders. Unlike typical proxies, our proxies can have a direct effect on the endogenous regressor and the outcome. We provide point identification results with a linearly separable outcome model in the disturbance, and alternatively with strict monotonicity in the first stage. General doubly robust and Neyman orthogonal moments are derived consecutively to enable the straightforward root-n estimation of low-dimensional parameters despite the high-dimensionality of nuisances, themselves non-uniquely defined by Fredholm integral equations. Using this novel method with NLS97 data, we separate ability bias from general selection bias in the economic returns to education problem.