Inference of high-dimensional weak instrumental variable regression models without ridge-regularization
无需岭正则化的高维弱工具变量回归推断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：摘要聚焦通用工具变量回归检验，未明确具体因果估计目标或宏观、金融应用，细分证据不足。
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…
无需岭正则化的高维弱工具变量回归推断
- 研究问题
- 面对大量且可能极弱的工具变量，如何构造无需岭正则化与调参、兼顾稠密和稀疏备择的回归检验？
- 方法与思路
- 作者提出无调参的二次型检验，推导已有最大值型检验的渐近分布，再组合两类检验以适应不同稀疏程度。
- 材料陈述的贡献
- 摘要称组合检验无需预知第一阶段稀疏性，并对任意弱工具变量及异方差稳健；模拟与应用展示其相对优势。
- 阅读关注点
- 应核对维度增长、误差矩条件及临界值构造，尤其关注组合检验的尺寸控制和不同备择下功效结论的适用范围。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明理论条件、模拟设计及优势的具体幅度。
原文摘要
Inference of instrumental variable regression models with many weak instruments attracts many attentions recently. To extend the classical Anderson-Rubin test to high-dimensional setting, many procedures adopt ridge-regularization. However, we show that it is not necessary to consider ridge-regularization. Actually we propose a new quadratic-type test statistic which does not involve tuning parameters. Our quadratic-type test exhibits high power against dense alternatives. While for sparse alternatives, we derive the asymptotic distribution of an existing maximum-type test, enabling the use of less conservative critical values. To achieve strong performance across a wide range of scenarios, we further introduce a combined test procedure that integrates the strengths of both approaches. This combined procedure is powerful without requiring prior knowledge of the underlying sparsity of the first-stage model. Compared to existing methods, our proposed tests are easy to implement, free of tuning parameters, and robust to arbitrarily weak instruments as well as heteroskedastic errors. Simulation studies and empirical applications demonstrate the advantages of our methods over existing approaches.