Instrumental variables estimation with many weak instruments using regularized JIVE
利用正则化 JIVE 处理大量弱工具变量的工具变量估计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：摘要核心是大量弱工具变量下的通用估计方法，所提经验例子未说明研究目标，不足以可靠归入具体细分领域。
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
利用正则化 JIVE 处理大量弱工具变量的工具变量估计
- 研究问题
- 工具变量数量可能超过样本量且第一阶段无法一致选择模型时，如何减轻正则化估计的偏差，并实现有效估计与检验？
- 方法与思路
- 作者在每次 jackknife 迭代中实施正则化，提出岭正则化 JIVE，推导其极限行为，并通过高维模拟与既有经验应用进行比较。
- 材料陈述的贡献
- 摘要称 RJIVE 在允许工具多于观测且无需一致模型选择的条件下具有一致性和渐近正态性，并在所报告比较中改善检验尺寸及风险表现。
- 阅读关注点
- 应核对岭参数选择、逐次正则化如何缓解偏差、工具强度与数量条件，以及模拟中的风险定义和经验应用的比较设置。
- 阅读边界
- 仅依据所给出版社摘要；具体条件、调参规则与改进数值未说明，摘要中的有利表现不能推广到所有高维或弱工具变量情形。
原文摘要
We consider instrumental variables regression in models where the number of available instruments may be larger than the sample size and consistent model selection in the first stage may not be possible. Such a situation may arise when there are many weak instruments. With many weak instruments, existing approaches to first-stage regularization can lead to a large bias relative to standard errors. We propose a jackknife instrumental variables estimator (JIVE) with regularization at each jackknife iteration that helps alleviate this bias. We derive the limiting behavior for a ridge-regularized JIV estimator (RJIVE), verifying that the RJIVE is consistent and asymptotically normal under conditions which allow for more instruments than observations and do not require consistent model selection. We provide simulation results that demonstrate the proposed RJIVE performs favorably in terms of size of tests and risk properties relative to other many-weak instrument estimation strategies in high-dimensional settings. We also apply the RJIVE to the Angrist and Krueger (1991) example where it performs favorably relative to other many-instrument robust procedures.