Gradient Wild Bootstrap for Instrumental Variable Quantile Regressions with Weak and Few Clusters
弱识别与少量聚类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。
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：摘要研究工具变量分位数回归的弱识别推断，并应用于美国地方劳动力市场。
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
弱识别与少量聚类下工具变量分位数回归的梯度野生自助法
- 研究问题
- 在聚类数固定、各聚类样本量增长的工具变量分位数回归中，如何构造适用于少量聚类及弱识别的统计推断？
- 方法与思路
- 作者研究梯度野生自助 Wald 检验及聚类稳健学生化版本，并提出用于弱识别稳健推断的野生自助 Anderson–Rubin 检验。
- 材料陈述的贡献
- 摘要称，至少一组强识别时 Wald 检验的渐近尺寸误差受控；所有组均弱识别或部分识别时，AR 检验仍有类似保证。
- 阅读关注点
- 核对允许的尺寸误差、各聚类识别强度及固定聚类渐近框架，关注学生化的功效结论和 AR 检验所针对的参数。
- 阅读边界
- 所给摘要来自 arXiv 预印本，不能据此声称已同行评审或期刊接收；具体误差界与假设未说明，也不能推断刊本变化。
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.