Heterogeneous Elasticities, Aggregation, and Retransformation Bias
异质弹性、聚合与重转换偏差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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确讨论工具变量对弹性的识别限制，并提出控制函数识别方案。
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…
异质弹性、聚合与重转换偏差
- 研究问题
- 双对数回归系数对应几何均值弹性时，与经济决策可能关注的算术均值弹性有何差异，异质响应如何造成重转换偏差？
- 方法与思路
- 作者提出对设定稳健的平均算术弹性去偏估计量，讨论对数结局下工具变量识别并给出控制函数方案，同时重估已有结果。
- 材料陈述的贡献
- 摘要称两类弹性差异可无界且正负皆可，重估结果显示明显差异，并指出幂均值弹性是一类决策问题的充分统计量。
- 阅读关注点
- 应核对不同均值弹性的定义、去偏估计与控制函数的识别条件，以及重估样本选择和决策充分统计量结论的适用范围。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未列完整稳健性条件，重估差异不能直接推广为所有对数回归均不适用。
原文摘要
Economists often interpret estimates from linear regressions with log dependent variables as elasticities. However, the coefficients from log-log regressions estimate the elasticity of the geometric mean of $y_i|x_i$, not the arithmetic mean. The unbounded difference between the two is known as retransformation bias and can take either sign. We develop a specification-robust debiased estimator of the average arithmetic elasticity and re-estimate 50 results from top 5 papers published in 2020. We find that 19 are significantly different, with the median absolute difference being 65% of the OLS elasticity estimate. Furthermore, we show standard instrumental variables assumptions with log dependent variables do not identify the elasticity. We specify a control function approach and re-estimate papers that use 2SLS with log dependent variables. We find that 13 of 19 results from top 5 papers are significantly different between the two approaches. Retransformation bias arises as a result of heterogeneous responses. The geometric mean elasticity corresponds to the average response. Arithmetic and geometric means are elements of the power mean family. We show power mean elasticities are sufficient statistics for a common class of decision problems.