Regression with Observational Multilayered Network Data¶

作者: Juan Estrada, Kim Huynh, David Jacho-Chavez, Leonardo Sanchez-Aragon
主题: 经济理论 / 应用
相关性: 6/10
链接: https://arxiv.org/abs/2608.01421

一、领域脉络与小综述¶

这个方向是什么¶

本子方向的核心问题是：在社会科学中，如何从观测性网络数据中一致地估计“同侪效应”（peer effects）——即一个个体的行为或结果如何受到其网络邻居的影响。最常用的模型是“线性均值模型”（linear-in-means model），它将个体的结果分解为自身特征、邻居结果的平均值（内生效应）、邻居特征的平均值（外生/情境效应）以及一个误差项。该方向当前的核心挑战是网络内生性：网络结构（谁与谁相连）往往与误差项相关，导致普通最小二乘（OLS）估计不一致。内生性来源包括：同质性（homophily，相似个体更易成为朋友）、同时性（simultaneity，结果与网络相互影响）、测量误差等。因此，该方向的研究重点在于设计识别策略和估计方法，以在存在网络内生性的情况下，仍能一致地估计社会效应参数。

发展脉络（history）¶

奠基工作：Manski (1993) 的“反射问题”：Manski 指出，在线性均值模型中，如果不加额外结构，内生效应和外生效应无法被区分。这为后续的识别工作设定了基本框架。
网络结构作为识别工具：Bramoullé, Djebbari, and Fortin (2009)：这篇论文是里程碑式的。它证明，当网络结构不是完全连通的（即存在“非传递三元组”，intransitive triads）时，可以利用网络的高阶邻接矩阵（如 \(W^2\)）来构造工具变量，从而识别内生和外生效应。作者在文中指出：“我们提供了易于检验的充分必要条件……内生和外生效应在网络交互下通常是可识别的”（Bramoullé et al., 2009, 摘要）。这为后续大量基于网络结构IV的工作奠定了基础。
处理网络内生性：控制函数与网络形成模型：
- Johnsson and Moon (2021) 提出了一种控制函数方法，通过显式建模网络形成过程中的未观测异质性来处理网络内生性。他们的方法需要估计一个网络形成模型，并假设该模型的误差项与结果方程的误差项相关。
- König, Liu, and Zenou (2019) 通过显式建模策略性网络形成过程来构造工具变量，其工具变量是基于预测的链接概率。作者指出，他们的方法“不需要对网络形成过程进行具体描述”（König et al., 2019, 摘要），但实际仍依赖于一个结构化的形成模型。
利用多层网络数据：Chan et al. (2024) 是本文最直接的前驱。他们提出，如果研究者能观测到不同类型的网络（如室友、同学、朋友），其中一些类型（如随机分配的室友）是外生的，就可以用这些外生网络层作为工具变量。他们的方法假设初始的同伴分配是随机的，但允许之后内生形成更细粒度的网络（如学习伙伴）。本文作者指出，Chan et al. (2024) 的方法“使用不同类型的同伴……来研究学业表现的同伴效应”（本文第6页）。
本文的位置：本文在 Chan et al. (2024) 的基础上，将“外生网络层”的概念一般化。它不再要求初始分配是随机的，而是假设研究者能观测到一个预先存在的、外生的网络层（如校友网络），并利用这个外生层与内生层（如合著网络）之间的相关性来构造工具变量。本文的核心贡献是提出了一个闭式、三步最小二乘（G3SLS） 估计量，该估计量易于实现，且其渐近性质被完整刻画。

子线索聚类¶

基于网络结构的IV方法：这条线索的核心是利用网络拓扑结构（特别是 \(W^2\) 中的非传递三元组）来构造工具变量。代表工作：Bramoullé et al. (2009), Lee (2003), Baltagi and Liu (2011)。这些方法在 \(E[v|X,W]=0\) 时有效，但当 \(W\) 本身内生时，\(W^2X\) 也可能与误差相关，导致IV无效。
基于网络形成模型的IV方法：这条线索通过显式或半参数地建模网络形成过程，来构造与内生网络相关但与误差项不相关的工具变量。代表工作：Johnsson and Moon (2021), König, Liu, and Zenou (2019)。这些方法通常计算复杂，且依赖于对网络形成过程的正确设定。
基于多层网络数据的IV方法：这条线索利用观测到的、不同类型的网络层（multiplex networks）来解决内生性。代表工作：Chan et al. (2024), Reza, Manchanda, and Chong (2021), 以及本文。其核心思想是，如果存在一个外生的网络层（如随机分配的室友、校友），它就可以作为内生网络层的工具变量。本文是这条线索的最新进展，它放松了Chan et al. (2024) 对初始随机化的要求，并提供了一个更简洁的估计量。

这个方向在追问的核心问题¶

识别：在存在网络内生性的情况下，内生效应（\(\beta\)）和外生效应（\(\delta\)）是否仍然可以被唯一地识别？需要什么样的条件（如网络结构、工具变量）？
估计：如何构造一个一致且渐近正态的估计量？该估计量是否易于实现（闭式解）？其有限样本表现如何？
工具变量的有效性：如何找到或构造一个与内生网络相关、但与误差项不相关的工具变量？在观测性研究中，如何论证工具变量的外生性和排他性约束？
网络内生性的来源：模型能否同时处理多种来源的内生性（如同质性、同时性、测量误差）？

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者认为，现有处理网络内生性的方法（如König et al., 2019; Johnsson and Moon, 2021）要么需要“对网络形成过程进行具体描述”（本文第3页），要么需要“估计链接形成模型”（本文第4页）。而本文的方法“不需要对网络形成过程进行具体描述”（本文第4页），因为它直接利用了一个观测到的、外生的网络层。作者将本文定位为一种更简单、更稳健的替代方案，其优势在于“易于实现”（本文第1页）且“能容纳测量误差、同时性和未观测异质性”（本文第1页）。
哪些竞争路线被他淡化或回避了：作者淡化了基于网络结构IV（如Bramoullé et al., 2009）的路线。这些方法在 \(E[v|X,W]=0\) 时是有效的，但作者直接假设了 \(E[v|X,W] \neq 0\)，从而将整个基于 \(W\) 的IV方法（如 \(W^2X\)）判定为不一致。作者没有深入讨论，在某些情况下，即使 \(W\) 是内生的，\(W^2X\) 是否可能仍然是一个有效的工具变量（例如，如果内生性主要来自同质性，而非同时性）。
什么明显该被引 / 该存在、却没出现在 intro 里？：作者引用了 de Paula (2015) 的综述，但未引用更近期的、关于网络计量经济学中IV方法的综述或专著。此外，作者引用了 Lewbel, Qu, and Tang (2023) 关于“未观测链接”的工作，但未将其与本文的“多层网络”方法进行深入对比。Lewbel et al. (2023) 的方法是在完全不观测网络的情况下进行识别，而本文假设完全观测到两个网络层。这是一个有趣的对比：一个在数据缺失时工作，一个在数据丰富时工作。作者没有讨论这两种极端情况之间的连续谱。

张力¶

未见明显对立引用。所有被引工作都承认网络内生性是一个核心挑战，并试图从不同角度解决它。它们之间的差异更多在于假设的强度和方法的复杂性，而非根本性的矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \(n\): 网络中个体的数量（样本量）。
- \(y_i\): 个体 \(i\) 的结果变量（标量）。
- \(y\): \(n \times 1\) 向量，包含所有 \(y_i\)。
- \(x_i\): 个体 \(i\) 的 \(k \times 1\) 可观测特征向量。
- \(X\): \(n \times k\) 矩阵，包含所有 \(x_i\)。
- \(W\): \(n \times n\) 邻接矩阵，代表内生的社会网络。\(w_{ij}=1\) 表示 \(i\) 和 \(j\) 有连接（如朋友）。通常行标准化，使得每行和为1。
- \(W_0\): \(n \times n\) 邻接矩阵，代表外生的社会网络（如校友）。\(w_{0,ij}=1\) 表示 \(i\) 和 \(j\) 有连接。同样可能行标准化。
- \(\beta\): 标量，内生效应（peer effect），即邻居的平均结果对个体结果的影响。
- \(\delta\): \(k \times 1\) 向量，外生/情境效应（contextual effect），即邻居的平均特征对个体结果的影响。
- \(\gamma\): \(k \times 1\) 向量，直接效应（direct effect），即个体自身特征对其结果的影响。
- \(\alpha\): 标量，截距项。
- \(v_i\): 个体 \(i\) 的误差项（不可观测）。
- \(v\): \(n \times 1\) 向量，包含所有 \(v_i\)。
- \(\iota\): \(n \times 1\) 全1向量。
- \(\theta = (\beta, \delta^\top)^\top\): \((k+1) \times 1\) 参数向量，包含内生和外生效应。
- \(S = [y, X]\): \(n \times (k+1)\) 矩阵，包含结果和特征。
- \(\Pi\): \((k+1) \times (k+1)\) 矩阵，是系统回归 \(WS = W_0 S \Pi + U\) 中的系数矩阵。
模型：线性均值模型（Linear-in-Means Model）：
\[y_i = \alpha + \beta \sum_{j \neq i} w_{ij} y_j + \sum_{j \neq i} w_{ij} x_j^\top \delta + x_i^\top \gamma + v_i\]
矩阵形式为：
\[y = \alpha \iota + \beta W y + W X \delta + X \gamma + v\]
其中，\(W y\) 是内生的（因为 \(y_j\) 和 \(v_i\) 可能相关），\(W X\) 和 \(X\) 在传统设定下是外生的。
可观测数据：研究者能观测到所有个体的结果 \(y\)、特征 \(X\)，以及两个网络层：内生的 \(W\) 和外生的 \(W_0\)。研究者无法观测到的是误差项 \(v\)，以及导致 \(W\) 内生性的潜在因素（如同质性特征）。

第二步：讲最小内核¶

本文的核心思路是：用外生网络 \(W_0\) 来为内生网络 \(W\) 构造工具变量。最简特例是当只有一个协变量时（\(k=1\)），此时 \(x\) 是标量，\(\theta = (\beta, \delta)^\top\)，\(\gamma\) 是标量。

最简特例下的模型：

\[y = \alpha \iota + \beta W y + \delta W x + \gamma x + v\]

其中，\(E[v|X, W_0] = 0\)，但 \(E[v|X, W] \neq 0\)。

核心想法：因为 \(W\) 是内生的，我们不能直接用 \(W y\) 和 \(W x\) 作为回归元。但是，我们有一个外生的网络 \(W_0\)。我们可以用 \(W_0\) 来“预测” \(W\) 的行为。具体地，我们假设存在一个线性关系：

\[W S = W_0 S \Pi + U\]

其中 \(S = [y, x]\)。这个方程的意思是，内生网络中的连接（\(W S\)）可以部分地由外生网络中的连接（\(W_0 S\)）来解释。\(\Pi\) 是一个 \(2 \times 2\) 的系数矩阵，它衡量了两个网络层之间的相关性。

识别策略： 1. 第一步：估计 \(\Pi\)。这可以通过对 \(W S\) 的每一列（即 \(W y\) 和 \(W x\)）分别对 \(W_0 S\)（即 \(W_0 y\) 和 \(W_0 x\)）做OLS回归来实现。 2. 第二步：将估计出的 \(\hat{\Pi}\) 代入，构造出 \(W S\) 的“预测值”：\(\widehat{WS} = W_0 S \hat{\Pi}\)。这个预测值 \(\widehat{WS}\) 是外生的，因为它只依赖于外生的 \(W_0\) 和 \(X\)。 3. 第三步：用 \(\widehat{WS}\) 作为 \(WS\) 的工具变量，对原始方程进行IV估计。由于 \(\widehat{WS}\) 与 \(WS\) 相关（通过 \(\Pi\)），且与误差 \(v\) 不相关（因为 \(W_0\) 是外生的），因此IV估计是一致的。

为什么这个特例能说明问题：在这个 \(k=1\) 的特例下，识别条件（Theorem 1）简化为： - \(\Pi\) 满秩（即 \(2 \times 2\) 矩阵可逆），这要求 \(W_0\) 和 \(W\) 足够相关。 - 矩阵 \(I, W_0, W_0^2\) 线性独立。这要求网络结构不是完全规则化的（例如，不是所有个体都属于大小相同的组）。 - 一个关于参数的非退化条件：\(\beta(\gamma \pi_{1,1} + \pi_{2,1}) + \delta(\gamma \pi_{1,2} + \pi_{2,2}) \neq 0\)。这个条件保证了由 \(W_0\) 产生的社会效应不会相互抵消。

这个特例清晰地展示了本文的核心机制：用观测到的外生网络层作为内生网络层的“代理”或“预测器”，从而构造出有效的工具变量。整个证明和一般化过程，本质上就是把这个特例推广到多个协变量、更复杂的网络结构，并处理估计误差带来的影响。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了在存在网络内生性（如 \(E[v|X,W] \neq 0\)）的情况下，如何利用观测到的多层网络数据（multiplex network data）来一致地估计线性均值模型中的社会效应参数（\(\beta, \delta, \gamma\)）。
核心工具 / 方法：本文提出了一个广义三阶段最小二乘（G3SLS） 估计量。该方法的核心是假设研究者能观测到一个外生的网络层 \(W_0\)，并用它来为内生的网络层 \(W\) 构造工具变量。估计过程分为三步：① 用系统OLS估计 \(W_0\) 对 \(W\) 的投影系数 \(\Pi\)；② 用2SLS估计一个中间参数 \(\theta^* = \Pi\theta\)；③ 用最优工具变量（基于 \(\hat{\Pi}\) 和 \(\hat{\theta}\) 构造）进行最终的G3SLS估计。
主要结论：在适当的正则条件下，G3SLS估计量是一致且渐近正态的，收敛速度为 \(\sqrt{n}\)。蒙特卡洛模拟表明，在存在未观测异质性、测量误差和同质性等多种内生性来源的情况下，G3SLS在偏差和均方根误差（RMSE）方面均优于OLS和传统的G2SLS。一个关于经济学顶级期刊论文引用网络的实证应用发现了显著的正向同侪效应。

关键设定与假设¶

核心假设：
- Assumption 1 (外生性)：\(E[v|X, W_0] = 0\)。这是整个识别策略的基石。它意味着外生网络层 \(W_0\) 与模型误差项不相关。作者指出，这可以通过随机分组或使用预先确定的网络（如校友网络）来保证。
- Assumption 2 (相关性/秩条件)：系统回归 \(WS = W_0 S \Pi + U\) 中的系数矩阵 \(\Pi\) 满秩（\(\text{rank}(\Pi) = k+1\)）。这要求 \(W_0\) 和 \(W\) 之间有足够强的相关性，即 \(W_0\) 是 \(W\) 的一个有效工具变量。具体地，它要求矩阵 \(W_0 W\) 满秩，这等价于要求两个网络层之间有足够的重叠边和“层间非传递三元组”。
其他关键假设（Appendix B）：
- Assumption 1 (Boundedness)：\(W_0\) 的行和与列和一致有界。这是空间计量经济学中的标准假设，用于控制空间依赖性。
- Assumption 2 (Boundedness)：\(X\) 和 \(v\) 的元素一致有界。
- Assumption 3 & 6 (Moments)：误差项 \(U\) 和 \(v\) 具有有限的2+\(\xi\)阶矩，且其方差不会爆炸。这保证了中心极限定理的适用。
- Assumption 4, 5, 8 (Non-singularity)：一些关键的二次型矩阵（如 \(S^\top W_0^2 S\)）在极限下是有限且非奇异的。这是保证估计量存在和渐近正态性的标准条件。
相比已有文献的放宽/强化：
- 放宽：相比König et al. (2019) 和 Johnsson and Moon (2021)，本文不需要显式建模网络形成过程。这大大降低了模型设定的风险。
- 强化：相比Bramoullé et al. (2009) 和传统的基于 \(W^2X\) 的IV方法，本文要求研究者能观测到一个外生的网络层 \(W_0\)。这是一个更强的数据要求。此外，Assumption 1 比 Chan et al. (2024) 的假设更强，因为它要求 \(E[v|X, W_0] = 0\)，而不仅仅是 \(E[W_0 X v] = 0\)。

主要结果¶

Theorem 1 (识别)：在Assumptions 1和2以及一个非退化条件下，参数 \(\alpha, \beta, \gamma, \delta\) 是点识别的。证明的关键在于，通过比较两个不同的参数集是否会导致相同的简化形式，并利用 \(I, W_0, W_0^2\) 的线性独立性，可以推出参数必须相等。
Theorem 2 (渐近正态性)：在Assumptions 1-8下，G3SLS估计量 \(\hat{\psi}_{G3SLS}\) 是一致且渐近正态的：
\[n^{1/2}(\hat{\psi}_{G3SLS} - \psi) \xrightarrow{d} N(0, V_\psi)\]
其中，渐近方差 \(V_\psi\) 考虑了多步估计带来的影响（即包含了第一步估计 \(\Pi\) 的误差）。论文给出了一个一致的方差估计量（公式4.11），使得统计推断成为可能。
Proposition 1 (网络外生性失败)：当外生网络 \(W_0\) 本身也可能与误差相关时（例如，存在组内共同冲击），可以通过对模型进行组内差分（乘以 \(I - W_0\)）来消除这种相关性。此时，识别需要 \(I, W_0, W_0^2, W_0^3\) 线性独立。

证明路线与技术技巧¶

整体路线：
1. 第一步：估计投影系数 \(\Pi\)。通过系统OLS估计 \(WS = W_0 S \Pi + U\)，得到 \(\hat{\Pi}\)。这一步的证明（Lemma C.1）依赖于 \(W_0\) 的外生性和误差项 \(U\) 的矩条件，通过Chebyshev不等式证明一致性。
2. 第二步：估计中间参数 \(\theta^* = \Pi\theta\)。将 \(\hat{\Pi}\) 代入，得到简化形式 \(y = \alpha \iota + W_0 S \theta^* + X \gamma + e\)。由于 \(W_0 y\) 仍然是内生的（因为 \(y\) 包含 \(v\)），需要用 \(Z = [\iota, X, W_0^2 X, W_0 X]\) 作为工具变量进行2SLS估计，得到 \(\hat{\psi}^*_{2SLS}\)。这一步的证明（Lemma C.2）是标准的2SLS一致性证明。
3. 第三步：构造最优工具变量并估计。利用前两步得到的 \(\hat{\Pi}\) 和 \(\hat{\theta}\)，构造 \(E[W_0 y | X, W_0]\) 的估计量，从而得到最优工具变量矩阵 \(\hat{Z}^*\)。然后进行G3SLS估计：\(\hat{\psi}_{G3SLS} = (\hat{Z}^{*\top} \hat{D})^{-1} \hat{Z}^{*\top} y\)。Theorem 2的证明（Appendix A）通过将估计误差分解为 \(e^* = M_{W_0} U \theta + v\)，并证明 \(n^{-1/2} \hat{Z}^{*\top} e^*\) 的渐近正态性来完成。
关键跳跃点：
- 处理多步估计误差：G3SLS的渐近方差必须反映第一步估计 \(\hat{\Pi}\) 带来的不确定性。作者通过将误差项重新定义为 \(e^* = M_{W_0} U \theta + v\) 来巧妙地处理这一点，其中 \(M_{W_0}\) 是第一步OLS的投影矩阵。这样，\(e^*\) 就包含了 \(U\) 和 \(v\) 两部分，其方差结构可以通过Delta方法或类似技术推导。
- 构造最优工具变量：在第三步中，作者没有简单地使用第一步的预测值 \(\widehat{WS}\)，而是构造了 \(E[W_0 y | X, W_0]\) 的最优工具变量。这需要利用简化形式（公式3.6）来计算条件期望，并代入第一步和第二步的估计值。这一步虽然计算复杂，但能带来效率提升（如蒙特卡洛结果所示）。
技术技巧点名：
- 系统OLS：用于第一步估计 \(\Pi\)，将多个回归方程联合估计。
- 2SLS：用于第二步估计 \(\theta^*\)，处理 \(W_0 y\) 的内生性。
- 最优工具变量：在第三步中，使用 \(E[W_0 y | X, W_0]\) 作为工具变量，以达到半参数效率界。
- Chebyshev不等式：用于证明第一步和第二步估计量的一致性。
- Lindeberg-Feller中心极限定理：用于证明G3SLS估计量的渐近正态性。
- Delta方法：隐含在从 \(\hat{\theta}^*\) 到 \(\hat{\theta} = \hat{\Pi}^{-1} \hat{\theta}^*\) 的转换中。

真实例子与应用¶

数据：1,628篇在2000-2006年间发表于经济学四大顶级期刊的论文。
场景：研究论文的引用量（\(y\)，取对数）如何受到其合著者网络（\(W\)，内生的）中其他论文引用量的影响。
方法应用：
- 内生网络：\(W\) 是合著网络（co-authorship network）。如果两位学者合著过论文，他们的文章之间就有连接。
- 外生网络：\(W_0\) 是校友网络（alumni network）。如果两位学者在同一所大学获得博士学位，他们的文章之间就有连接。作者论证校友网络是预先确定的，因此是外生的。
- 控制变量：包括论文页数、作者数、参考文献数、是否与编辑合著、团队性别多样性等。
- 估计：使用G3SLS估计模型（6.1），并逐年进行滚动回归。
结果：
- 同侪效应：\(\hat{\beta}\) 在所有年份均为正，并从2004年起在5%水平上显著，峰值达到0.676。这表明，在合著网络中，一篇论文的引用量每增加1%，其合著者的论文引用量平均增加约0.68%。
- 直接效应：团队性别多样性（Different Gender）对引用量有显著的正向直接效应。论文页数和参考文献数也是显著的正面预测因子。孤立的论文（Isolated）有显著的引用惩罚。
- 情境效应：编辑身份和性别多样性的情境效应（\(\hat{\delta}\)）均不显著。
这个例子想说明什么：该实证应用旨在展示G3SLS方法在真实数据中的可行性和有效性。它证明了，即使在没有随机实验的情况下，利用多层网络数据（合著+校友）也能识别出显著的正向同侪效应。同时，它也展示了如何在实际应用中论证外生网络（校友）的排他性约束（通过附录E中的线性投影检验）和相关性条件（通过第一阶段回归的F统计量）。

🔎 结论是否比证明窄¶

关于“一般性”的声明：作者在摘要和引言中声称该方法“能容纳测量误差、同时性和未观测异质性”。然而，Theorem 1和2的证明是在Assumption 1 (\(E[v|X, W_0]=0\)) 下进行的。这个假设本身并没有明确建模测量误差或同时性的具体机制。蒙特卡洛模拟确实展示了在这些场景下的良好表现，但理论证明并未严格覆盖所有声称的“一般性”。例如，如果测量误差导致 \(W_0\) 本身也变得内生，那么Assumption 1就会被违反，理论结果不再适用。作者在Section 3.1中讨论了 \(W_0\) 内生性的一种特殊情况（组内共同冲击），但并未涵盖所有可能的测量误差形式。
关于“弱工具变量”的回避：作者在讨论部分（Section 7）提到“弱或无效工具变量……是合理的担忧，但超出了本文的范围”。这是一个重要的局限性。如果 \(W_0\) 和 \(W\) 之间的相关性很弱（例如，校友网络非常稀疏），那么 \(\Pi\) 的估计将不精确，G3SLS估计量可能会有严重的有限样本偏差。论文的蒙特卡洛模拟（如Design 2中稀疏网络的情况）确实显示了G3SLS在较小样本量（n=50）时偏差较大，这与弱工具变量问题一致。作者没有提供任何关于如何诊断或处理弱工具变量的指导。

四、开放问题¶

弱工具变量问题：当外生网络 \(W_0\) 与内生网络 \(W\) 的相关性较弱时（例如，稀疏网络或低重叠度），G3SLS估计量的有限样本表现会如何？是否存在一个类似于F统计量的诊断工具？如何改进估计量以应对弱工具变量？扎根点：本文Section 7提到“弱或无效工具变量……是合理的担忧，但超出了本文的范围”。
动态模型：本文只考虑了横截面数据。如何将G3SLS方法扩展到面板数据或动态网络模型，以研究同侪效应的动态演变？扎根点：本文Section 7提到“一个有趣的扩展是使用本文提出的设定来研究同侪效应的动态”。
多层网络的扩展：本文只使用了两个网络层（一个内生，一个外生）。如果研究者观测到多于两个网络层，如何有效地利用所有信息？是否可以构造一个更有效的GMM估计量？扎根点：本文的框架基于“一个内生层 + 一个外生层”，但多层网络文献（如Kivelä et al., 2014）讨论了更一般的结构。
有限样本性能与高阶矩：作者在Section 4末尾提到，G3SLS的有限样本矩可能不存在，这取决于过度识别的程度。这是一个重要的实际警告。对于常见的应用场景（如 \(k\) 较小），其有限样本分布的具体形状如何？是否有更好的推断方法（如bootstrap）？扎根点：本文Section 4末尾：“the finite-sample moments of the proposed G3SLS estimator here may not exist under certain conditions”。

Maintained by 陈星宇 · Homepage · Source on GitHub