Lasso for Instrumental Variable Selection: A Replication Study
用于工具变量选择的Lasso：一项复现研究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：摘要明确研究高维工具变量的Lasso选择与模拟复现，直接关联因果推断中的工具变量方法，但未提供具体识别条件。
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
用于工具变量选择的Lasso：一项复现研究
- 研究问题
- 在工具变量数量很大甚至超过样本量时，Lasso及选择后估计的模拟表现如何，以及惩罚参数的选择有多重要？
- 方法与思路
- 作者使用R复现既有研究中Lasso与选择后Lasso用于工具变量选择的模拟，并进一步分析惩罚参数选择的作用。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提供模拟复现并细查惩罚参数这一关键环节，未报告复现是否一致或何种调参方式表现更好。
- 阅读关注点
- 应核对复现的数据生成过程与原研究是否一致、惩罚参数规则和比较指标，以及工具变量选择后的估计与推断如何实施。
- 阅读边界
- 所给Crossref摘要未报告模拟结果、工具变量有效性条件或调参建议；不能据此声称复现成功、方法更优或选择后推断可靠。
原文摘要
Summary Recently, Lasso methods have been applied to economic questions. In a seminal paper, Belloni et al . ( Econometrica ; 80 (6): 2369–2429) make use of (post‐)Lasso for instrumental variable selection in a setting where the number of instruments p is large or might even exceed the number of observations n —a situation which is prevalent in many current applications. We replicate their simulation study with the statistical package R (R Development Core Team ( )) and, moreover, analyze in more detail the importance of the choice of the penalization parameter, a crucial component in applications. Copyright © 2015 John Wiley & Sons, Ltd.