Recovering Latent Variables by Matching
通过匹配恢复潜在变量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：摘要直接研究潜在收入冲击的离散程度与偏度，并应用收入动态面板调查，分别对应分布分析与微观面板数据方向。
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
通过匹配恢复潜在变量
- 研究问题
- 如何在具有独立潜在变量的线性模型中非参数恢复潜在分布，并据此研究永久与暂时收入冲击的分布特征如何随经济周期变化？
- 方法与思路
- 作者利用最优传输生成潜在变量伪观测，最小化模型预测与匹配数据之间的欧氏距离，并将方法应用于收入动态面板数据。
- 材料陈述的贡献
- 摘要称估计量具有一致性；应用中收入冲击离散程度近似非周期性，永久冲击偏度顺周期，小时工资冲击变化较小。
- 阅读关注点
- 应核对独立潜变量线性模型的识别与一致性条件、最优传输匹配的计算，以及永久和暂时冲击分解及周期性度量。
- 阅读边界
- 来源为稿件版本未注明的索引摘要，无法判断刊本变化；摘要未列出完整识别条件和不确定性结果，收入冲击结论限于所述应用。
原文摘要
We propose an optimal-transport-based matching method to nonparametrically estimate linear models with independent latent variables. The method consists in generating pseudo-observations from the latent variables, so that the Euclidean distance between the model’s predictions and their matched counterparts in the data is minimized. We show that our nonparametric estimator is consistent, and we document that it performs well in simulated data. We apply this method to study the cyclicality of permanent and transitory income shocks in the Panel Study of Income Dynamics. We find that the dispersion of income shocks is approximately acyclical, whereas the skewness of permanent shocks is procyclical. By comparison, we find that the dispersion and skewness of shocks to hourly wages vary little with the business cycle. Supplementary materials for this article are available online.