Identification and Information after Nuisance Projection
干扰成分投影后的识别与信息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：摘要明确以线性面板 IV 为理论对象，研究固定效应及潜在因子剔除后的识别，因此最直接归入面板数据。
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
干扰成分投影后的识别与信息
- 研究问题
- 在线性面板工具变量模型中，剔除固定效应、潜在因子或高维控制后，还保留哪些结构参数方向的识别信息，其精度如何评估？
- 方法与思路
- 作者在双向依赖下研究共同投影后的雅可比和得分分布，构造特定高斯情形的信息矩阵，并发展弱识别极限、稳健检验与自助推断。
- 材料陈述的贡献
- 摘要称，原始第一阶段很强仍可能伴随投影后有效信息不足；模拟与国际货币应用说明，识别诊断应在干扰成分剔除之后进行。
- 阅读关注点
- 应核对方程相容投影的定义、因子估计误差如何传递、各方向的信息积累速率，以及高斯和非高斯极限下检验与置信集的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未展开投影和依赖条件，模拟中的错误符号现象不能推广到所有面板 IV。
原文摘要
Empirical work often removes fixed effects, latent factors, or high-dimensional controls before estimating structural relationships. These transformations reduce confounding but may also remove identifying variation. We study linear panel IV after one equation-compatible nuisance projection under two-way dependence. The projected Jacobian determines which structural directions remain visible; the projected-score law determines their precision; and, on Gaussian fixed-rank strata, they combine in a Projected Information Matrix. We derive weak-identification limits with dimension-specific information accumulation, feasible factor-transfer conditions, identification-robust tests, bootstrap procedures for non-Gaussian interaction limits, and inference for the projected spectrum, rank, subspaces, and information matrix. Simulations show that a raw first-stage statistic above 500 can support the wrong sign while projected diagnostics reveal weak valid information. In an international monetary application, common projection substantially attenuates apparent foreign-output persistence, while Gaussian-reference Anderson--Rubin sets remain unbounded. Identification should therefore be assessed after nuisance removal.