Identification of additive and polynomial models of mismeasured regressors without instruments
无工具变量下误测解释变量的可加与多项式模型识别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：摘要提供一般测量误差回归的识别与估计结果，未明确对应所列应用细分领域。
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…
无工具变量下误测解释变量的可加与多项式模型识别
- 研究问题
- 当解释变量存在测量误差、其他协变量又不满足标准工具变量排除限制时，可加性或多项式结构能否支持点识别？
- 方法与思路
- 作者以协变量可加性替代标准排除限制，并研究允许变量交互的多项式扩展；利用构造性识别证明形成估计方法。
- 材料陈述的贡献
- 摘要称，可加测量误差模型可实现非参数点识别，多项式扩展允许丰富交互；其中一个估计量具有根号n渐近正态性。
- 阅读关注点
- 应核对可加性之外还需哪些识别条件、可加性与排除限制的比较含义，以及多项式限制和渐近正态结论适用的估计量。
- 阅读边界
- 仅据RePEc所载出版社摘要，完整识别条件未说明；题名中的无工具变量不表示无需协变量信息，也不意味着任意误差结构可识别。
原文摘要
We show nonparametric point identification of a measurement error model with covariates that can be interpreted as invalid instruments. Our main contribution is to replace standard exclusion restrictions with the weaker assumption of additivity in the covariates. Measurement errors are ubiquitous and additive models are popular, so our results combining the two should have widespread potential application. We also identify a model that replaces the nonparametric function of the mismeasured regressor with a polynomial in that regressor and other covariates. This allows for rich interactions between the variables, at the expense of introducing a parametric restriction. Our identification proofs are constructive, and so can be used to form estimators. We establish root-n asymptotic normality for one of our estimators.