Improved Errors-in-Variables Estimators for Grouped Data
分组数据的改进测量误差估计量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：摘要的核心是分组数据测量误差估计，虽有跨期劳动供给应用，但未明确面板结构或结构估计设定，现有细分归类证据不足。
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
分组数据的改进测量误差估计量
- 研究问题
- 分组模型中的标准测量误差估计量为何存在有限样本偏差，能否利用其与工具变量估计的联系改进，并影响劳动供给工资弹性的估计？
- 方法与思路
- 作者证明标准测量误差估计量与 jackknife 工具变量估计量完全等价，据此构造有限样本无偏估计量，并开展模拟及男性跨期劳动供给应用。
- 材料陈述的贡献
- 摘要称新估计量在有限样本中无偏；美国人口普查微观数据的应用显示，不同估计量给出明显不同的工资弹性，即使样本相当大。
- 阅读关注点
- 阅读时应核对分组方式、测量误差模型和工具变量构造，逐项检查等价性与有限样本无偏性的条件，以及劳动供给应用中弹性差异的来源。
- 阅读边界
- 摘要未说明无偏性所需假设、分组规则及工资弹性的数值；估计量之间存在明显差异，并不能单独确定哪个实证弹性更接近真实值。
原文摘要
Grouping models are widely used in economics but are subject to finite sample bias. I show that the standard errors-in-variables estimator is exactly equivalent to the jackknife instrumental variables estimator and use this relationship to develop an estimator which, unlike the standard errors-in-variables estimator, is unbiased in finite samples. The theoretical results are demonstrated using Monte Carlo experiments. Finally, I implement a model of intertemporal male labor supply using microdata from the U.S. Census. There are sizable differences in the wage elasticity across estimators, showing the practical importance of the theoretical issues even when the sample size is quite large.