SPECIFICATION TESTING IN MODELS WITH MANY INSTRUMENTS
多工具变量模型的设定检验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。
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：摘要讨论一般线性工具变量模型的检验理论，未明确给出因果目标、结构对象或具体领域应用。
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…
多工具变量模型的设定检验
- 研究问题
- 当工具变量数量与样本量同阶增长时，传统 Anderson–Rubin 与过度识别 J 检验是否仍有效，怎样修正其渐近水平？
- 方法与思路
- 作者在工具变量数量随样本量同阶增长的框架中分析既有检验，并修改 AR 与 J 统计量以恢复渐近水平正确性。
- 材料陈述的贡献
- 摘要称，常规及部分适用于中等数量工具变量的检验失效；修正检验在工具变量较少或很多时均有正确渐近水平。
- 阅读关注点
- 应核对工具变量增长比例、误差与工具变量条件、修正统计量的构造，以及模拟如何衡量检验水平和功效。
- 阅读边界
- 解读限于所给 Crossref 摘要。摘要未说明具体假设、修正公式或模拟数值，对工具数量稳健不代表对所有弱工具情形稳健。
原文摘要
This paper studies the asymptotic validity of the Anderson–Rubin ( AR ) test and the J test for overidentifying restrictions in linear models with many instruments. When the number of instruments increases at the same rate as the sample size, we establish that the conventional AR and J tests are asymptotically incorrect. Some versions of these tests, which are developed for situations with moderately many instruments, are also shown to be asymptotically invalid in this framework. We propose modifications of the AR and J tests that deliver asymptotically correct sizes. Importantly, the corrected tests are robust to the numerosity of the moment conditions in the sense that they are valid for both few and many instruments. The simulation results illustrate the excellent properties of the proposed tests.