Identification and estimation of semi‐parametric censored dynamic panel data models of short time periods
短期删失动态面板模型的半参数识别与估计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：摘要明确研究两期删失动态面板模型、初始条件处理及平均偏效应。
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
短期删失动态面板模型的半参数识别与估计
- 研究问题
- 仅有两期数据时，如何在不指定初始条件分布的情况下，识别和估计半参数删失动态面板模型及其平均偏效应？
- 方法与思路
- 作者将模型转化为可观测量分布函数的参数族，以相关分布族的完备性建立识别，并提出筛最大似然估计与模拟评估。
- 材料陈述的贡献
- 摘要称，在所述假设下模型可全局识别，动态tobit与两部动态回归满足关键条件，并给出医疗支出应用。
- 阅读关注点
- 应核对完备性及其他识别假设、两期数据包含的信息、初始条件处理，以及筛空间选择和平均偏效应的估计方式。
- 阅读边界
- 摘要未列出完备性等假设的具体形式，也未给出收敛性质或模拟数值；医疗支出与收入的应用结果不能直接作因果解释。
原文摘要
In this paper, we present a semi‐parametric identification and estimation method for censored dynamic panel data models of short time periods and their average partial effects with only two periods of data. The proposed method transforms the semi‐parametric specification of censored dynamic panel data models into a parametric family of distribution functions of observables without specifying the distribution of the initial condition. Then the censored dynamic panel data models are globally identified under a standard maximum likelihood estimation framework. The identifying assumptions are related to the completeness of the families of known parametric distribution functions corresponding to censored dynamic panel data models. Dynamic tobit models and two‐part dynamic regression models satisfy the key assumptions. We propose a sieve maximum likelihood estimator and we investigate the finite sample properties of these sieve‐based estimators using Monte Carlo analysis. Our empirical application using the Medical Expenditure Panel Survey shows that individuals consume more health care when their incomes increase, after controlling for past health expenditures.