川海智库

报告概述

该报告研究工具变量回归中弱工具变量对贝叶斯推断的影响。报告指出，标准扁平先验会无意中夸大工具强度，导致推断过于自信。作者提出一种在集中参数上设定无信息先验的方法，通过分层先验实现收缩，从而获得对弱工具变量稳健的贝叶斯推断。报告涵盖了先验推导、模拟实验、理论分析以及经典应用（Angrist-Krueger教育回报估计）的重访。

报告的核心结论

扁平先验会过度偏好强工具变量

在工具变量回归中，对第一阶段系数使用扁平先验会隐含地使集中参数偏向较大值，即使真实工具很弱。这种先验扭曲导致后验分布过于集中，产生误导性的精确推断。

在集中参数上设定扁平先验可修复贝叶斯推断

通过对集中参数（而非第一阶段系数）直接施加无信息先验，贝叶斯后验能够正确反映弱工具下的不确定性。该先验可通过分层结构实现，产生合理的收缩效果。

新方法得到的贝叶斯可信区间与最优频率学派区间一致

理论证明，所提贝叶斯可信区间渐近等价于Moreira (2003)的条件似然比检验倒置得到的置信区间。模拟显示两者在弱工具下覆盖性质几乎相同，且优于传统TSLS和扁平先验贝叶斯方法。

报告回答的关键问题

弱工具变量如何影响贝叶斯推断？

标准贝叶斯方法（如使用扁平先验）在弱工具变量下会同样失效：后验分布过于集中且偏向有偏估计。报告指出，问题根源在于扁平先验隐含地使集中参数偏向较大值，错误地假设工具较强。

贝叶斯方法如何应对弱工具变量？

报告提出在集中参数上直接施加无信息先验（而非第一阶段系数），该先验通过分层形式实现收缩，避免过度拟合。该方法在模拟中表现出正确的覆盖率，且与条件似然比检验的置信区间高度一致。

新贝叶斯方法与Moreira条件似然比检验有何关系？

报告证明两种方法渐近等价。当工具数量较大时，贝叶斯后验分布与条件似然比检验的抽样分布趋于一致，收敛速度比常规渐近更快（1/k而非1/√k）。模拟表明即使工具数较少时两者也几乎相同。

完整报告包含什么

  • 完整模型设定与先验推导：包括方程(1)-(2)的规范，以及无信息先验在集中参数上的形式化证明（命题1）。
  • Gibbs抽样算法：附录B详细给出了k>2和k≤2两种情形下的MCMC采样步骤，方便研究者实现。
  • 模拟研究：涵盖不同工具数量（1,5,10,25,100）、不同内生性程度（δ=0.75和3）以及不同F统计量区间下的覆盖率和宽度比较。
  • 经典应用重访：使用Angrist-Krueger (1991)数据，以季度出生作为工具估计教育回报，展示WIRB-IV与CLR几乎一致的结果。
  • 理论结果证明：包括引理1、命题2和命题3的严格证明，建立贝叶斯与频率学派推断渐近等价性。
  • 与Jeffreys先验的对比：报告指出Jeffreys先验仅对k=1有效，而在k>1时仍存在过度偏好强工具的问题。
  • 对多工具渐近框架的讨论：采用Bekker (1994)的联合渐近，证明所需条件仅为μ²/k→c>0，非常宽松。
  • 代码与数据说明：部分材料可能包含模拟和应用的实现细节（附录中隐含）。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告