Conditional Linear Combination Tests for Weakly Identified Models
弱识别模型的条件线性组合检验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：摘要聚焦弱识别下的一般参数检验，虽涉及内生回归量和线性、非线性模型，但未提供足以对应特定应用领域的证据。
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
弱识别模型的条件线性组合检验
- 研究问题
- 弱识别时，如何通过组合识别稳健统计量控制参数检验的尺寸，并在强识别情形下保留检验功效和效率？
- 方法与思路
- 作者构造两个识别稳健统计量的数据依赖凸组合，提出极小极大遗憾条件检验，并以干扰参数估计值实现可计算的检验。
- 材料陈述的贡献
- 摘要称，此类检验在弱识别下控制尺寸，具有条件最优性，并涵盖单内生回归量模型的条件似然比检验；代入检验在许多强识别模型中功效最优。
- 阅读关注点
- 核对数据依赖权重的选择、条件化对象和最优性准则，以及代入干扰参数后维持尺寸控制与强识别功效所需的条件。
- 阅读边界
- 摘要未列出适用模型的具体正则条件、干扰参数估计方法或模拟设计；条件最优性与强识别下的功效结论不能外推至所有模型。
原文摘要
We introduce the class of conditional linear combination tests, which reject null hypotheses concerning model parameters when a data-dependent convex combination of two identification-robust statistics is large. These tests control size under weak identification and have a number of optimality properties in a conditional problem. We show that the conditional likelihood ratio test of Moreira, 2003 is a conditional linear combination test in models with one endogenous regressor, and that the class of conditional linear combination tests is equivalent to a class of quasi-conditional likelihood ratio tests. We suggest using minimax regret conditional linear combination tests and propose a computationally tractable class of tests that plug in an estimator for a nuisance parameter. These plug-in tests perform well in simulation and have optimal power in many strongly identified models, thus allowing powerful identification-robust inference in a wide range of linear and nonlinear models without sacrificing efficiency if identification is strong.