DYNAMIC TIME SERIES BINARY CHOICE
动态时间序列二元选择模型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：摘要明确研究二元离散选择模型，并以动态时间序列依赖和滞后因变量为核心。
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
动态时间序列二元选择模型
- 研究问题
- 以滞后二元因变量为解释变量且误差存在相关性时，动态二元选择模型的依赖性质能否支持参数与半参数估计的有效性？
- 方法与思路
- 作者证明相关误差动态二元选择模型的近历元依赖与强混合性质，据此研究动态 probit 似然法及平滑最大得分估计的渐近有效性。
- 材料陈述的贡献
- 摘要称，两类估计程序在所研究时间序列框架下有效；半参数模型允许潜在误差相关，平滑最大得分程序无需长期方差估计量。
- 阅读关注点
- 应核对潜在误差相关结构、滞后因变量的处理、识别与平滑参数条件，以及无需长期方差估计的结论针对哪些统计量。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认完整识别条件、初始状态处理和有限样本表现；允许相关误差不等于任意依赖皆可，刊本变化未说明。
原文摘要
This paper considers dynamic time series binary choice models. It proves near epoch dependence and strong mixing for the dynamic binary choice model with correlated errors. Using this result, it shows in a time series setting the validity of the dynamic probit likelihood procedure when lags of the dependent binary variable are used as regressors, and it establishes the asymptotic validity of Horowitz’s smoothed maximum score estimation of dynamic binary choice models with lags of the dependent variable as regressors. For the semiparametric model, the latent error is explicitly allowed to be correlated. It turns out that no long-run variance estimator is needed for the validity of the smoothed maximum score procedure in the dynamic time series framework.