Estimation and inference with many and weak instrumental variables
| Promotie: | J.W. (Hans) Ligtenberg, MSc |
| Wanneer: | 03 juli 2025 |
| Aanvang: | 16:15 |
| Promotors: | prof. dr. A.P. (Aico) van Vuuren, dr. T. (Tom) Boot |
| Waar: | Academiegebouw RUG |
| Faculteit: | Economie en Bedrijfskunde |
Schatting en inferentie met veel en zwakke instrumentele variabelenIn zijn proefschrift ontwikkelt Hans Ligtenberg methodes om causale verbanden met behulp van een lineair instrumentele variabele (IV) model met veel, mogelijk zwakke IV’s, betrouwbaar te schatten en statistisch te toetsen. Om brede toepasbaarheid te garanderen, werken de methodes ook met heterogene en afhankelijke observaties. Eerder ontwikkelde methodes kunnen heterogene en afhankelijke observaties slechts in beperkte mate aan. De complexiteit van de toegestane heterogeniteit en afhankelijkheid bouwt op over de drie delen waaruit dit proefschrift bestaat.
In het eerste deel zijn de observaties heteroskedastisch, maar onafhankelijk van elkaar. Dit deel laat zien hoe een invariantie-eigenschap van de momentcondities gebruikt kan worden om toetsen gebaseerd op de doelfunctie van de gegeneraliseerde momenten schatter met continu bijgewerkte gewichtenmatrix af te leiden. Deze gewichtenmatrix is in zekere zin optimaal, maar moeilijk te controleren met veel IV’s.
In het tweede deel is er geclusterde afhankelijkheid tussen de observaties. Het toont aan dat met clustering de problemen veroorzaakt door veel en zwakke IV’s waarschijnlijker zijn dan met onafhankelijke data. Vervolgens generaliseert het de toetsen uit het eerste deel en de eerder ontwikkelde zakmestoesten zodat ze ook werken met geclusterde data.
Het derde deel veralgemeniseert de geclusterde afhankelijkheid in één dimensie naar multidimensionaal geclusterde afhankelijkheid. Dit is ingegeven door studies met rechtsinstrumenten, een specifieke toepassing van lineaire IV modellen met veel, mogelijk zwakke IV's . Deze studies gebruiken vaak multidimensionaal geclusterde data, maar corrigeren hun schatter slechts voor clustering in één dimensie, met mogelijk een onzuiverheid als gevolg. Het derde deel ontwikkelt twee methodes om deze onzuiverheid te verwijderen.