Optimal Categorical Instrumental Variables
最优分类工具变量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：摘要讨论工具变量估计，并以法官固定效应作为工具变量的应用为例，直接关联因果推断。
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
最优分类工具变量
- 研究问题
- 当分类工具变量的类别较多、每类观测较少时，如何利用潜在的有限类别结构改善工具变量估计，并保留有效的渐近推断？
- 方法与思路
- 作者提出分类工具变量估计量 CIV，以正则化假设引入固定有限支撑的潜在分类变量，使其达到与观测工具变量相同的一阶段拟合。
- 材料陈述的贡献
- 摘要称，已知最优工具支撑数时，CIV 具有根号样本量渐近正态性和 oracle 方差，同方差下半参数有效；低估支撑数仍保持渐近正态性。
- 阅读关注点
- 应核对潜在类别结构的识别、每类样本量增长条件、支撑数如何确定，以及法官工具变量应用中与 jackknife 方法比较的指标。
- 阅读边界
- 依据所给 arXiv 预印本摘要，不能确认同行评审或期刊接收。摘要未说明完整识别条件、支撑数高估的影响及应用中的具体比较数值。
原文摘要
This paper discusses estimation with a categorical instrumental variable in settings with potentially few observations per category. The proposed categorical instrumental variable estimator (CIV) leverages a regularization assumption that implies existence of a latent categorical variable with fixed finite support achieving the same first stage fit as the observed instrument. In asymptotic regimes that allow the number of observations per category to grow at arbitrary small polynomial rate with the sample size, I show that when the cardinality of the support of the optimal instrument is known, CIV is root-n asymptotically normal, achieves the same asymptotic variance as the oracle IV estimator that presumes knowledge of the optimal instrument, and is semiparametrically efficient under homoskedasticity. Under-specifying the number of support points reduces efficiency but maintains asymptotic normality. In an application that leverages judge fixed effects as instruments, CIV compares favorably to commonly used jackknife-based instrumental variable estimators.