Limited-Information Maximum Likelihood based Model Selection Procedures for Binary Outcomes
二元结果的有限信息最大似然模型选择程序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：摘要以未测混杂下的工具变量因果效应估计为背景，模型选择服务于因果推断。
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
二元结果的有限信息最大似然模型选择程序
- 研究问题
- 在存在未测协变量且结果为二元变量的工具变量分析中，如何选择处理模型与结果模型，以支持因果效应估计？
- 方法与思路
- 作者基于有限信息最大似然估计构造 AIC 型和 BIC 型模型选择程序，证明后者的选择一致性并开展模拟检验。
- 材料陈述的贡献
- 摘要称提出了两种模型选择程序，给出 BIC 型程序的模型选择一致性证明，并通过模拟考察两类程序的性质。
- 阅读关注点
- 应核对工具变量有效性与模型正确设定的要求、候选模型集合、惩罚项，以及选择一致性证明和模拟比较的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明无偏性与选择一致性的具体条件，也未给出模拟数值。
原文摘要
Unmeasured covariates constitute one of the important problems in causal inference. Even if there are some unmeasured covariates, some instrumental variable methods such as a two-stage residual inclusion (2SRI) estimator, or a limited-information maximum likelihood (LIML) estimator can obtain an unbiased estimate for causal effects despite there being nonlinear outcomes such as binary outcomes; however, it requires that we specify not only a correct outcome model but also a correct treatment model. Therefore, detecting correct models is an important process. In this paper, we propose two model selection procedures: AIC-type and BIC-type, and confirm their properties. The proposed model selection procedures are based on a LIML estimator. We prove that a proposed BIC-type model selection procedure has model selection consistency, and confirm their properties of the proposed model selection procedures through simulation datasets.