INSTRUMENTAL VARIABLE ESTIMATION IN A DATA RICH ENVIRONMENT
数据丰富环境中的工具变量估计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：摘要明确使用共同因子构造工具变量，并专门讨论内生回归变量的面板数据模型。
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
数据丰富环境中的工具变量估计
- 研究问题
- 当大量内生变量由少数不可观测的外生共同因子驱动时，能否从这些变量中构造有效工具，并缓解多工具变量估计的问题？
- 方法与思路
- 作者提出以估计的共同因子作为工具变量，并将因子工具变量估计扩展到所有回归变量均内生、但共享外生因子的面板模型。
- 材料陈述的贡献
- 摘要称该估计具有一致性和渐近正态性，工具数量可超过样本量；只要共同成分有效，观测变量本身无效也不妨碍一致性。
- 阅读关注点
- 应核对共同因子的外生性及相关性条件、因子估计误差的处理，以及效率比较的基准和面板估计需要偏差修正的原因。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认因子识别和样本增长的完整条件；效率优势限于文中框架，不能推断后续版本变化。
原文摘要
We consider estimation of parameters in a regression model with endogenous regressors. The endogenous regressors along with a large number of other endogenous variables are driven by a small number of unobservable exogenous common factors. We show that the estimated common factors can be used as instrumental variables and they are more efficient than the observed variables in our framework. Whereas standard optimal generalized method of moments estimator using a large number of instruments is biased and can be inconsistent, the factor instrumental variable estimator (FIV) is shown to be consistent and asymptotically normal, even if the number of instruments exceeds the sample size. Furthermore, FIV remains consistent even if the observed variables are invalid instruments as long as the unobserved common components are valid instruments. We also consider estimating panel data models in which all regressors are endogenous but share exogenous common factors. We show that valid instruments can be constructed from the endogenous regressors. Although single equation FIV requires no bias correction, the faster convergence rate of the panel estimator is such that a bias correction is necessary to obtain a zero-centered normal distribution.