Instrumental variable methods for recovering continuous linear functionals
恢复连续线性泛函的工具变量方法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：摘要以非参数工具变量模型中的消费者剩余和平均导数等经济模型泛函为目标，直接关联结构估计。
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
恢复连续线性泛函的工具变量方法
- 研究问题
- 非参数工具变量模型本身未被识别、但消费者剩余或加权平均导数等线性泛函被识别时，如何估计这些目标并进行推断？
- 方法与思路
- 作者允许干扰参数仅被部分识别，一致估计其识别集合中的一个唯一元素，再利用该元素构造目标连续线性泛函的估计量。
- 材料陈述的贡献
- 摘要称，所提方法可处理模型未识别但目标泛函已识别的情形，并通过选取干扰参数集合中的唯一元素获得渐近正态估计。
- 阅读关注点
- 应核对目标泛函单独识别的条件、唯一元素的选取规则、干扰参数估计误差的影响，以及渐近正态性所需的正则条件。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明识别条件、估计实现或收敛速度，不能据此认为任意未识别模型的线性泛函均可估计。
原文摘要
This paper develops methods for estimating continuous linear functionals in nonparametric instrumental variable problems. Examples of such functionals include consumer surplus and weighted average derivatives. The estimation procedure is robust to a setting where the underlying model is not identified but the linear functional is. In order to attain such robustness, it is necessary to employ a partially identified nuisance parameter. We address this problem by consistently estimating a unique element of the identified set for nuisance parameters which we then use to construct a asymptotically normal estimator for the desired linear functional.