Outlier robust inference in the instrumental variable model with applications to causal effects
工具变量模型中的异常值稳健推断及因果效应应用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：题名明确涉及因果效应应用，摘要研究工具变量模型及弱工具下的稳健检验，直接对应因果推断方法。
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
工具变量模型中的异常值稳健推断及因果效应应用
- 研究问题
- 在工具变量可能较弱且样本包含异常值时，传统Anderson–Rubin检验是否稳健，如何构造抵抗异常值的替代检验？
- 方法与思路
- 作者构造异常值稳健的AR检验，研究其稳健性质与统计量的渐近卡方分布，并通过模拟及三个受不同异常值影响的案例说明。
- 材料陈述的贡献
- 摘要称，传统AR检验对异常值不稳健，所提替代方法具有相应稳健性质，并获得渐近分布结果及模拟、应用支持。
- 阅读关注点
- 应核对稳健性的形式定义、异常值污染方式、弱工具变量下的检验有效性，以及渐近卡方结论所需的具体条件。
- 阅读边界
- 仅据所给 Crossref 摘要，稳健化构造、污染容忍范围和渐近条件未说明，不能据此认定任意异常值或弱工具情形下均有效。
原文摘要
Summary The Anderson‐Rubin (AR) test is an important method that allows for reliable inference in the instrumental variable model when the instruments are weak. Yet, the robustness properties of this test have not been formally studied. As it turns out that the AR test is not robust to outliers, we show how to construct an outlier robust alternative—the robust AR test. We investigate the robustness properties of the robust AR test and show that the robust AR statistic asymptotically follows a chi‐square distribution. The theoretical results are illustrated by a simulation study. Finally, we apply the robust AR test to three different case studies that are affected by different types of outliers.