Robust Inference with High-Dimensional Instruments
高维工具变量下的稳健推断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：摘要是一般线性工具变量检验理论，未明确具体因果效应或网络干扰对象，难以据此归入所列细分。
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
高维工具变量下的稳健推断
- 研究问题
- 在线性工具变量回归中，工具变量数量超过样本量且误差具有网络或空间依赖时，如何构造对弱识别仍然有效的检验？
- 方法与思路
- 作者提出自标准化检验统计量，利用随机矩阵理论建立渐近有效性，并以模拟考察不同误差依赖结构下的尺寸与检验功效。
- 材料陈述的贡献
- 摘要称检验同时容许高维工具变量、弱识别及一般误差依赖，并报告模拟中具有良好尺寸控制与令人满意的功效。
- 阅读关注点
- 应核对工具变量维数与样本量的增长关系、误差依赖和工具有效性的限制，以及自标准化统计量的临界值与弱识别保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未列出依赖结构和矩条件，不能把一般误差依赖理解为不受限制的任意依赖。
原文摘要
We propose a weak-identification-robust test for linear instrumental variable (IV) regressions with high-dimensional instruments, whose number is allowed to exceed the sample size. In addition, our test is robust to general error dependence, such as network dependence and spatial dependence. The test statistic takes a self-normalized form and the asymptotic validity of the test is established by using random matrix theory. Simulation studies are conducted to assess the numerical performance of the test, confirming good size control and satisfactory testing power across a range of various error dependence structures.