On the Asymptotic Properties of Estimators of Models Containing Limited Dependent Variables
含受限因变量模型估计量的渐近性质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：摘要以序列相关观测下的 Tobit 估计及其极限协方差为研究对象，直接涉及时间依赖数据的计量方法。
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
含受限因变量模型估计量的渐近性质
- 研究问题
- 当 Tobit 模型观测具有序列相关、完整依赖似然难以计算时，既有对数似然驻点的强一致性与渐近正态性是否仍可成立？
- 方法与思路
- 作者研究独立观测情形下的 Tobit 对数似然驻点，在放宽独立性后分析其强一致性、渐近正态性及极限协方差。
- 材料陈述的贡献
- 摘要称在放宽观测独立性后，所研究的 Tobit 对数似然驻点仍具有强一致性和渐近正态性，并给出极限协方差矩阵表达式。
- 阅读关注点
- 核对独立性具体被放宽为何种依赖条件、所用似然与驻点的定义，以及极限协方差如何反映序列相关并用于推断。
- 阅读边界
- 摘要未列出允许的序列相关结构、协变量条件及驻点存在和选择条件，无法判断结果是否覆盖具体的动态 Tobit 设定。
原文摘要
For the Tobit model with independent observations, Amemiya [1] has established the strong consistency and asymptotic normality of a stationary point, 9, of the log-likelihood. The likelihood for dependent observations may be computationally intractable, so the behavior of 9 in the presence of serially correlated observations is of interest. Under a relaxation of Amemiya's assumption of independence, we prove that 9 is strongly consistent and asymptotically normal, and give an expression for the limiting covariance matrix.