更高效的子向量 Anderson-Rubin 检验的最佳可行条件临界值
计量经济学
2026-01-27 v1 统计方法学
摘要
在 homoskedasticity 下但允许弱仪器的线性工具变量模型中，进行子向量推断。Guggenberger、Kleibergen 和 Mavroeidis (2019) (GKM) 提出条件子向量 Anderson 和 Rubin (1949) (AR) 检验，该检验使用数据依赖临界值适应参数未测试之强度。该检验具有正确的大小并严格高于使用标准渐近卡方临界值的检验。子向量 AR 检验是该矩阵最大特征值的最小值。GKM 临界值函数在该矩阵最大特征值上进行条件化。我们考虑 instead 在该矩阵第二个最小特征值上进行条件化的数据依赖临界值函数，因为该特征值是弱识别的合适指示器。我们发现 GKM 的数据依赖临界值函数也适用于这种条件化，并证明该检验具有正确的大小并严格高于 GKM 检验当未测试的参数数量大于一时。我们提出的程序进一步适用于 Guggenberger、Kleibergen 和 Mavroeidis (2024) 提出的条件异方差 kronecker 近似结构的子向量 AR 检验统计量，使其在该设置下也具备功效优势。
引用
@article{arxiv.2601.17843,
title = {Best Feasible Conditional Critical Values for a More Powerful Subvector Anderson-Rubin Test},
author = {Jesse Hoekstra and Frank Windmeijer},
journal= {arXiv preprint arXiv:2601.17843},
year = {2026}
}