What No First Stage Can Detect: Functional-Form Contamination in Linear IV
Ashoka University（阿肖卡大学）
本研究证明线性IV中第一阶段诊断无法检测函数形式污染，该污染同时偏误估计量并夸大强度，提出定向检验和修正估计量，两个应用证实了问题。
2026-09-17 econ.EM
Testing Tail-Index Homogeneity via Exceedance-Covariate Independence
Australian National University（澳大利亚国立大学）
本研究提出基于距离协方差的置换检验，检验重尾结果尾指数在协变量间的同质性，经模拟验证其功效，且在法国汽车保险数据中未拒绝共同尾指数。
2026-10-16 econ.EM
Testing the identification of causal effects in observational data
University of Fribourg（弗里堡大学）；Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
本文研究了在观测数据中检验治疗对结果的因果效应的可检验条件，通过机器学习方法提出测试该条件的检验方法，并在模拟研究中检验其渐近行为和有限样本性能，同时应用该方法评估生育对女性劳动力供给的影响，发现使用兄弟姐妹前两孩性别比作为工具变量时存在可检验假设的违反。
2026-05-19 econ.EM stat.ME
Non-testability of instrument validity under continuous endogenous variables
本文证明了\citet*{pearl1995testability}中关于隐变量模型中工具变量有效性检验的猜想。这意味着在内源性处理连续分布的情况下，无法检验工具有效性。这与经典的可测试性结果的工具有效性时，治疗是离散的。然而，对模型施加弱的结构假设，例如可观察变量之间的连续性，可以在连续设置中重新建立理论可测性。
2020-11-25 econ.EM math.ST stat.TH
Mostly Harmless Machine Learning: Learning Optimal Instruments in Linear IV Models
Harvard Business School（哈佛商学院）；Toulouse School of Economics（图卢兹经济学院）；Microsoft Research（微软研究院）
我们提供了直接的理论结果，证明将机器学习纳入标准的线性工具变量设置。其核心思想是使用机器学习，结合样本分割，从工具和任何外生协变量预测治疗变量，然后使用预测的治疗和协变量作为技术工具，在第二阶段恢复系数。这允许研究人员提取治疗和仪器之间的非线性协变，这可以通过提高仪器强度来显著提高估计精度和鲁棒性。重要的是，我们将机器学习的预测约束为外生协变量的线性，从而避免治疗和协变量之间的非线性关系引起的虚假识别。我们证明了这种方法在弱条件下提供了一致的和渐近正态的估计，并且它可以被修改为半参数有效的（Chamberlain，1992）。我们的方法保留了标准的直觉和线性工具变量方法的解释，包括在弱识别，并提供了一个简单的，用户友好的升级应用经济学工具箱。我们说明我们的方法在法律和刑事司法的一个例子，检查上诉法院推翻地区法院的判决的因果关系。
2021-06-18 cs.LG econ.EM stat.ME
A Heteroskedasticity-Robust Overidentifying Restriction Test with High-Dimensional Covariates
本文提出一种适用于高维线性工具变量模型的过度识别约束检验，允许协变量和工具变量数量超过样本量，通过最大范数检验和功效增强技术提升检验功效，并具有尺度不变性和异方差稳健性。
2024-05-06 econ.EM math.ST stat.ML
Decomposing Identification Gains and Evaluating Instrument Identification Power for Partially Identified Average Treatment Effects
本文考察了部分可辨识模型中工具变量对平均处理效应的辨识能力。我们将ATE识别收益分解为由IV相关性、IV强度、治疗内分泌的方向和程度以及通过外生协变量进行匹配所驱动的贡献分量。我们的分解证明了图形说明，模拟研究和经验的例子生育和妇女的劳动力供应。我们的分析提供了见解，了解复杂的作用，静脉在ATE识别和选择静脉在实际的政策设计。模拟还表明，我们的分析用于检测不相关的仪器的潜在用途。
2022-09-05 econ.EM
Structural Break Detection in Quantile Predictive Regression Models with Persistent Covariates
我们提出了一个计量经济环境的非平稳分位数预测回归的结构突变检测。我们基于Phillips和Magdalinos提出的普通最小二乘法估计量和内生工具回归估计量（2009 a，Econometric Inference in the Vicinity of Unity.工作文件，新加坡管理大学）。虽然这些检验统计量的渐近分布似乎取决于所选择的估计量，IVX为基础的测试被证明是渐近干扰参数免费的持久性和一致性的程度下，当地的替代品。通过仿真实验，这两种测试的有限样本性能进行了评估。通过对房价指数收益率的实证分析，验证了本文提出的非平稳时间序列回归分位数突变检验方法的实用性。
2023-02-10 econ.EM
Inference on the TSLS Estimand with Weak Instruments and Treatment Effect Heterogeneity
University of Chicago（芝加哥大学）
针对弱工具变量和处理效应异质性，提出TSLS似然比统计量结合两步法，实现工具变量回归中TSLS估计量的稳健推断。
2026-06-05 econ.EM
Instrument Validity for Heterogeneous Causal Effects
本文提出适用于多值处理等更一般场景的异质性因果效应工具变量有效性非参数检验，证明其渐近性质，通过模拟和教育回报率实证验证效果，并补充相关理论工具。
2023-10-10 econ.EM math.ST stat.TH
Canonical correlation regression with noisy data
Harvard University（哈佛大学）
本文提出了一种在噪声数据环境下利用典型相关性进行两阶段最小二乘回归的方法，通过谱正则化实现估计误差的最优性，并提供了不同情境下的正则化选择建议。
2025-12-27 econ.EM math.ST stat.ML
The Power of Prognosis: Improving Covariate Balance Tests with Outcome Information
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）；University of California, Berkeley（加州大学伯克利分校）
针对协变量与潜在结果无关时平衡检验失效的问题，提出基于预后评分的自助法平衡检验，通过预后加权提升与结果相关的协变量权重，有效避免假阴性与假阳性。
2025-10-13 econ.EM stat.ME
Robust Inference with High-Dimensional Instruments
提出一种针对高维工具变量线性回归的弱识别稳健检验，采用自归一化统计量与随机矩阵理论，对网络和空间等误差依赖性具有稳健性，模拟证实其具有良好的尺寸控制与检验功效。
2025-06-30 econ.EM
Testing identification in mediation and dynamic treatment models
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
基于Huber和Kueck（2022）的检验，提出一种利用两组观测变量（协变量和疑似工具）来检验中介和动态处理模型中因果效应识别的方法，并应用于斯洛伐克劳动力市场数据。
2026-06-05 econ.EM stat.ME
Conditional Likelihood Ratio Test with Many Weak Instruments
London School of Economics（伦敦政治经济学院）；Hitotsubashi University（一桥大学）
本文扩展了Moreira(2003)提出的条件似然比检验，以处理误差方差未知且存在许多弱工具变量的工具变量回归模型。传统检验在估计误差方差时失去精确相似性且渐近无效，本文提出改进的临界值函数，证明在许多弱工具变量渐近下检验渐近有效。
2022-10-14 econ.EM math.ST stat.TH
Necessary and Probably Sufficient Test for Finding Valid Instrumental Variables
能否从数据中找到工具变量？虽然工具变量（IV）方法被广泛用于识别因果效应，但从观测数据中检验其有效性仍然是一个挑战。这是因为IV的有效性取决于两个假设，排除和假设随机，这在很大程度上被认为是无法从数据中检验的。在本文中，我们表明，在一定的条件下，测试工具变量是可能的。我们建立在必要的测试，以获得一个测试的特点是一个有效的工具的几率，从而产生的名称“必要的，可能是足够的”。该测试的工作原理是将无效IV和有效IV因果模型定义为贝叶斯生成模型，并根据观察到的数据比较它们的边际可能性。当所有变量都是离散的，我们还提供了一种方法来有效地计算这些边际似然。我们评估测试的一组广泛的模拟二进制数据，灵感来自一个开放的问题，IV测试在过去的工作中提出的。我们发现，当一个工具遵循单调性-对治疗的影响是非递减或非递增-并且具有中等到弱的强度时，该检验是最强大的;顺便说一句，这种工具通常用于观察性研究。在as-if-random和exclusion中，它以更高的功率检测排除违规。将该检验应用于两项关于工具变量的开创性研究和《美国经济评论》最近的五项研究的IV表明，许多工具可能存在缺陷，至少当所有变量都离散化时。所提出的测试打开了数据驱动的验证和搜索工具变量的可能性。
2018-12-04 econ.EM stat.ME
