Correcting for Misclassified Binary Regressors Using Instrumental Variables
利用工具变量校正二元解释变量的误分类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：摘要以工具变量识别误分类解释变量的效应，并分析医保资格对其他保险的影响，直接关联因果推断。
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
利用工具变量校正二元解释变量的误分类
- 研究问题
- 当二元解释变量的误分类率随工具变量取值变化时，如何校正由此产生的估计偏差，并放松传统误分类率不变假设？
- 方法与思路
- 作者允许各类误分类率随工具变量变化，以其总和保持不变作为关键识别限制，并利用模型产生的矩不等式进一步放松。
- 材料陈述的贡献
- 摘要提出新估计量并展示传统限制在常见应用中可能失效；Medicaid 再分析发现校正后保险挤出和无保险比例下降估计均减小。
- 阅读关注点
- 核对工具变量有效性、误分类率总和不变的实质依据，以及放松该限制后获得何种识别集合和可行推断。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；完整识别条件、矩不等式形式及应用数值未说明，经验示例不保证限制普遍成立。
原文摘要
Estimators that exploit an instrumental variable to correct for misclassification in a binary regressor typically assume that the misclassification rates are invariant across all values of the instrument.We show this assumption is invalid in routine empirical settings.We derive a new estimator which allows misclassification rates to vary across values of the instrumental variable.Our key identifying assumption, that the sum of misclassification rates remains constant across instrument values, follows from the empirical examples we present.We also show this assumption can be relaxed using moment inequalities that arise from our model.We demonstrate the usefulness of our estimator through Monte Carlo simulations and a reanalysis of the extent to which Medicaid eligibility crowds out other forms of health insurance.Correcting for measurement error substantially reduces estimates of crowd out and the extent to which Medicaid eligibility lowers the share of the uninsured.