Identification-robust inference for endogeneity parameters in linear structural models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We provide a generalization of the AndersonRubin (AR) procedure for inferenceon parameters that represent the dependence between possibly endogenous explanatoryvariables and disturbances in a linear structural equation (endogeneity parameters). We stressthe distinction between regression and covariance endogeneity parameters. Such parametershave intrinsic interest (because they measure the effect of latent variables, which inducesimultaneity) and play a central role in selecting an estimation method (such as ordinary leastsquaresor instrumental variable methods). We observe that endogeneity parameters mightnot be identifiable and we give the relevant identification conditions. These conditions entaila simple identification correspondence between regression endogeneity parameters and theusual structural parameters, while the identification of covariance endogeneity parameterstypically fails as soon as global identification fails. We develop identification-robust finitesampletests for joint hypotheses involving structural and regression endogeneity parameters,as well as marginal hypotheses on regression endogeneity parameters. For Gaussian errors,we provide tests and confidence sets based on standard Fisher critical values. For a wideclass of parametric non-Gaussian errors (possibly heavy-tailed), we show that exact MonteCarlo procedures can be applied using the statistics considered. As a special case, this resultalso holds for usual AR-type tests on structural coefficients. For covariance endogeneityparameters, we supply an asymptotic (identification-robust) distributional theory. Tests forpartial exogeneity hypotheses (for individual potentially endogenous explanatory variables)are covered as special cases. The proposed tests are applied to two empirical examples: therelation between trade and economic growth, and the widely studied problem of returns toeducation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle