Robust Permutation Tests in Linear Instrumental Variables Regression
线性工具变量回归的稳健置换检验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：摘要明确讨论工具变量排除限制、结构误差和识别稳健检验，直接关联工具变量因果识别推断，但未提供具体因果应用。
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…
关注这篇论文的作者
线性工具变量回归的稳健置换检验
- 研究问题
- 在线性工具变量回归中，如何构造对弱识别稳健的置换检验，并在仅有工具与误差正交时允许条件异方差？
- 方法与思路
- 作者提出 AR、LM 和 CLR 检验的置换版本，分别分析工具与结构误差正交及相互独立时的渐近和有限样本性质。
- 材料陈述的贡献
- 摘要称，三类检验在正交条件下渐近相似且容许条件异方差；工具与误差独立时，置换 AR 检验精确并对重尾稳健。
- 阅读关注点
- 应核对置换对象、学生化方式和弱识别渐近框架，明确正交与独立两种条件的区别，以及精确性为何仅对所述 AR 检验成立。
- 阅读边界
- 依据 arXiv v4 预印本摘要，不能据此声称已同行评审或期刊接收；正交下的渐近结论与独立下 AR 检验的精确性须区分。
原文摘要
This paper develops permutation versions of identification-robust tests in linear instrumental variables (IV) regression. Unlike the existing randomization and rank-based tests in which independence between the instruments and the error terms is assumed, the permutation Anderson- Rubin (AR), Lagrange Multiplier (LM) and Conditional Likelihood Ratio (CLR) tests are asymptotically similar and robust to conditional heteroskedasticity under standard exclusion restriction i.e. the orthogonality between the instruments and the error terms. Moreover, when the instruments are independent of the structural error term, the permutation AR tests are exact, hence robust to heavy tails. As such, these tests share the strengths of the rank-based tests and the wild bootstrap AR tests. Numerical illustrations corroborate the theoretical results.