大面板数据中的粒度工具变量：强、近弱与弱GIV下的识别与推断

我发展了在$N$和$T$同时增长的大面板数据中粒度工具变量（GIV）的工具变量强度的渐近理论。GIV的强度取决于主导单元的存在。我形式化了主导的含义，并刻画了工具变量强度的三种状态。当少数单元主导总量时，工具变量是强的。GIV估计量是一致的，并以标准的$\sqrt{T}$速率渐近正态。当大型单元突出但不主导时，工具变量减弱。但我表明，感兴趣的参数仍然可以被识别。GIV估计量仍然是一致的且渐近正态，但现在以慢于$\sqrt{T}$的速率。当单元规模相当且没有突出者时，工具变量在标准意义上是弱的。GIV估计量是不一致的，并且具有非标准分布。Wald推断仅在弱工具变量状态之外是可靠的。当工具变量弱时，我推荐使用Anderson-Rubin置信集。在实践中，工具变量必须在第一阶段构建。我表明，可行的估计量达到相同的速率，但其渐近方差会从第一阶段估计中引入一个额外的项。有效的推断必须使用考虑这一项的标准误。我将具有正确标准误的GIV估计量应用于恢复三种商品（精炼铜、原油和天然气）的短期需求弹性。