Semiparametric estimation of a bivariate Tobit model
二元 Tobit 模型的半参数估计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：摘要研究通用二元删失回归的半参数估计，未明确离散选择行为、分布效应或其他给定细分方向，因而暂不分类。
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 Tobit 模型的半参数估计
- 研究问题
- 对于二元 Tobit 模型，能否在独立性条件下避免对误差分布施加参数形式，并获得具有可用渐近性质的半参数估计量？
- 方法与思路
- 作者针对既有二元 Tobit 模型，在独立性条件下构造不限制误差分布参数形式的估计量，并以模拟考察其有限样本表现。
- 材料陈述的贡献
- 摘要称估计量一致且渐近正态，模拟表现良好，并报告即使正态性成立也优于所比较的 IV 估计量；方法可扩展至更高维模型。
- 阅读关注点
- 应核对独立性条件具体约束哪些变量、删失结构如何进入估计，以及一致性和渐近正态条件、模拟比较指标与高维扩展步骤。
- 阅读边界
- 解读限于所给出版社摘要；独立性条件、估计公式和模拟设计未说明，所报告的比较优势不能推广为对所有 Tobit 估计方法的优势。
原文摘要
The existing semiparametric estimation literature has mainly focused on univariate Tobit models and no semiparametric estimation has been considered for bivariate Tobit models. In this paper, we consider semiparametric estimation of the bivariate Tobit model proposed by Amemiya (1974), under the independence condition without imposing any parametric restriction on the error distribution. Our estimator is shown to be consistent and asymptotically normal, and simulation results show that our estimator performs well in finite samples. It is also worth noting that while Amemiya’s (1974) instrumental variables estimator (IV) requires the normality assumption, our semiparametric estimator actually outperforms his IV estimator even when normality holds. Our approach can be extended to higher dimensional multivariate Tobit models.