Symmetrically Trimmed Least Squares Estimation for Tobit Models
Tobit 模型的对称修剪最小二乘估计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：摘要聚焦删失与截断回归的一般估计理论，未明确研究离散选择、分位数或分布效应，现有细分标签不足以直接对应。
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
Tobit 模型的对称修剪最小二乘估计
- 研究问题
- 在删失与截断回归中，当误差不满足同分布高斯假设，且存在未知形式的异方差时，如何构造具有可靠大样本性质的估计量？
- 方法与思路
- 作者提出对因变量分布上尾实施对称删失或截断的估计方法，作为极大似然估计的替代，并讨论渐近协方差矩阵的估计。
- 材料陈述的贡献
- 摘要称估计量在广泛误差分布及未知异方差下具有一致性和渐近正态性，并给出正则条件、证明与删失情形的模拟。
- 阅读关注点
- 核对对称修剪如何实施、误差分布需满足哪些限制、未知异方差如何被允许，以及协方差估计和模拟中的比较设定。
- 阅读边界
- 摘要未列出允许的误差分布、具体正则条件及模拟结果；不能理解为任意分布下均有效，也无法判断有限样本优势。
原文摘要
This papjer proposes alternatives to maximum likelihood estimation of the censored and truncated regression models (known to economists as "Tobit" models) .The proposed estimators are based on symmetric censoring or truncation of the upper tail of the distribution of the dependent variable.Unlike methods based on the assumption of identically distributed Gaussian errors/ the estimators are consistent and asymptotically normal for a wide class of error distributions and for heteroscedasticity of unknown form.The paper gives the regularity conditions and proofs of these large sample results, demonstrates how to construct consistent estimators of the asymptotic covariance matrices, and presents the results of a simulation study for the censored case.Extensions and limitations of the approach are also considered.