Measurement Error in Earnings Data: Using a Mixture Model Approach to Combine Survey and Register Data
收入数据的测量误差：以混合模型整合调查与登记资料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：摘要围绕收入资料测量误差、错配及联合预测展开，未明确涉及因果效应、分位数或面板结构，所列细分暂无直接匹配项。
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…
收入数据的测量误差：以混合模型整合调查与登记资料
- 研究问题
- 调查收入含测量误差、行政登记又可能发生记录错配时，如何综合两种资料预测同一收入，并衡量错配对资料可靠性的影响？
- 方法与思路
- 作者在混合因子分析模型中构造收入预测方法，结合调查与登记数据，并让联合预测考虑条件类别概率，在瑞典资料上应用。
- 材料陈述的贡献
- 摘要报告，登记收入在存在较小错配概率时也表现欠佳；瑞典应用中，考虑条件类别概率的联合预测优于其他比较预测量。
- 阅读关注点
- 重点核对混合类别如何刻画错配、测量误差与条件类别概率如何识别，以及预测优劣采用的误差指标、比较对象和验证方式。
- 阅读边界
- 所据为 OpenAlex 摘要，未说明错配机制、模型识别条件或评价数值；调查资料更可靠及联合预测更优的结论不能直接外推。
原文摘要
Survey data on earnings tend to contain measurement error. Administrative data are superior in principle, but they are worthless in case of a mismatch. We develop methods for prediction in mixture factor analysis models that combine both data sources to arrive at a single earnings figure. We apply the methods to a Swedish data set. Our results show that register earnings data perform poorly if there is a (small) probability of a mismatch. Survey earnings data are more reliable, despite their measurement error. Predictors that combine both and take conditional class probabilities into account outperform all other predictors.