时变线性工具变量模型的同时自正则化推断
Simultaneous Self-Normalized Inference for Time-Varying Linear IV Models
发布时间：
本工作论文由孙佳婧（Jiajing Sun）、Haiqi Li、洪永淼（Yongmiao Hong）和 Jin Zhou 合著，为由局部广义矩估计（GMM）估计的局部平稳线性工具变量模型中的光滑系数路径构建了同时推断方法。推断目标包括在预先指定的有限日期网格上的置信带，以及关于整条系数路径是否为常数或线性的联合检验。
逐点置信区间无法控制此类路径层面的陈述，而反复估计局部协方差矩阵会引入日期特定的冗余参数，并须考虑重叠窗口之间的相依性。本文通过自正则化与乘子校准来应对这些挑战。
概述与贡献
所提方法从一步恒等权重局部二次 GMM 估计量的可行影响路径出发。核加权四次投影从拟合残差得分中剔除主要的估计分量，而累积平方等价核载荷则刻画方差在每个局部窗口内的累积方式。
主统计量以经投影、两端固定（tied-down）的影响路径之调整值域作为自正则化因子，并以一个匹配的二次型均方根自正则化因子作为基准。共同的日历时间乘子在各日期与系数坐标上校准最大统计量，保留了重叠局部窗口与共同观测结果所产生的相依性。
理论部分将识别 IV 模型的无条件正交条件与推断所需的相依性假设区分开来。它建立了在鞅差工具化得分下 iid 高斯乘子的有效性，以及在序列相依得分下相依乘子的有效性。该框架给出了有限网格上的同时置信带，以及常数与线性系数路径的检验。
实证与模拟证据
蒙特卡洛实验表明，在鞅差得分设计下同时覆盖率接近名义水平。在所有报告的设计中，调整值域置信带均窄于匹配的二次型置信带，尽管相对覆盖率与功效随设定不同而有所差异。
实证应用研究了十个 Fama–French 行业组合的时变因子暴露。iid 乘子与相依乘子设定均拒绝因子暴露路径的系统性恒常性，而关于路径是否为线性的结论则取决于相依性校准。
获取方式
2026 年 8 月的工作论文版本可在此获取：
推荐引用：Sun, J., Li, H., Hong, Y., & Zhou, J. (2026). Simultaneous Self-Normalized Inference for Time-Varying Linear IV Models. Working paper.