Revisiting Panel Data Binary Choice Models with Lagged Dependent Variables
重新审视含滞后因变量的面板二元选择模型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：摘要明确研究带固定效应与滞后因变量的面板二元选择模型，直接对应面板数据和离散选择两个方向。
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…
重新审视含滞后因变量的面板二元选择模型
- 研究问题
- 如何识别并估计含滞后因变量、外生协变量及个体固定效应的半参数面板二元选择模型，同时允许灵活时间趋势？
- 方法与思路
- 作者利用无穷远处识别论证提出新策略，并构造条件最大得分估计量，摘要称无需指定分布且避免维数灾难。
- 材料陈述的贡献
- 摘要称方法允许任意形式时间趋势并完整刻画估计量的渐近性质，以小规模模拟和澳大利亚私人住院保险参保数据展示。
- 阅读关注点
- 核对无穷远处识别所需的支持集和尾部条件、初始状态及固定效应处理，并查看最大得分优化与渐近推断的实现。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；具体识别条件、收敛率和有限样本数值未提供，灵活趋势结论需结合模型限制理解。
原文摘要
This paper revisits the identification and estimation of a class of semiparametric (distribution-free) panel data binary choice models with lagged dependent variables, exogenous covariates, and entity fixed effects. We provide a novel identification strategy, using an “identification at infinity” argument. In contrast with the celebrated Honoré and Kyriazidou (2000), our method permits time trends of any form and does not suffer from the “curse of dimensionality”. We propose an easily implementable conditional maximum score estimator. The asymptotic properties of the proposed estimator are fully characterized. A small-scale Monte Carlo study demonstrates that our approach performs satisfactorily in finite samples. We illustrate the usefulness of our method by presenting an empirical application to enrollment in private hospital insurance using the Household, Income and Labor Dynamics in Australia (HILDA) Survey data.