Nonparametric errors in variables models with measurement errors on both sides of the equation
方程两侧均存在测量误差的非参数模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确识别真实变量条件分布的矩，并通过恩格尔曲线讨论消费离散性，最直接对应分布方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
方程两侧均存在测量误差的非参数模型
- 研究问题
- 当因变量与解释变量都被误测，且两侧测量误差相关、模型误差不可分离时，如何识别真实条件分布的矩并进行估计？
- 方法与思路
- 作者扩展已有测量误差模型，研究真实因变量给定真实解释变量时条件分布矩的非参数识别，随后提出筛GMM估计并应用。
- 材料陈述的贡献
- 摘要称实现了相关双侧测量误差下的非参数识别，并在恩格尔曲线应用中发现，处理该误差问题后递增离散假设受到质疑。
- 阅读关注点
- 应核对识别使用的辅助信息及限制、可识别矩的范围、筛GMM构造，以及消费数据中两侧误差相关性的处理与应用证据。
- 阅读边界
- 仅据所给出版社摘要，关键识别条件、辅助变量和应用估计结果未说明；对递增离散假设的质疑也不能推广至所有消费数据。
原文摘要
Measurement errors are often correlated, as in surveys where respondent’s biases or tendencies to err affect multiple reported variables. We extend Schennach (2007) to identify moments of the conditional distribution of a true Y given a true X when both are measured with error, the measurement errors in Y and X are correlated, and the true unknown model of Y given X has nonseparable model errors. After showing nonparametric identification, we provide a sieve generalized method of moments based estimator of the model, and apply it to nonparametric Engel curve estimation. In our application measurement errors on the expenditures of a good Y are by construction correlated with measurement errors in total expenditures X. This problem, which is present in many consumption data sets, has been ignored in most demand applications. We find that accounting for this problem casts doubt on Hildenbrand’s (1994) “increasing dispersion” assumption.