Identification and Estimation of Semiparametric Multilayered Sample Selection Models
半参数多层样本选择模型的识别与估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究参与后有序或多项类别选择的结构、识别及半参数估计，对应离散选择和结构估计。
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
半参数多层样本选择模型的识别与估计
- 研究问题
- 当个体先决定参与、再选择有序或无序类别时，第二层选择如何改变样本选择偏误的控制函数维度与模型识别要求？
- 方法与思路
- 作者分析有序和多项选择结构的多指标控制函数，建立不识别与点识别结果，并提出两步筛法代入估计量。
- 材料陈述的贡献
- 摘要称，选择结构的非线性可替代排除变量，额外结构限制可降低控制函数维度，并得到根号样本量一致的估计方法及工资应用。
- 阅读关注点
- 应核对非线性替代排除变量的条件、连续协变量所需变异、降维限制，以及筛法估计和韩国毕业生工资应用的识别依据。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体结构限制及推断条件未说明，大企业女性系数转正不等同因果结论。
原文摘要
Many selection problems are multilayered: agents first decide whether to participate and then sort among ordered or unordered categories. This paper shows that the sorting layer changes the geometry of identification. Unlike binary selection, in which selection bias can be summarized by a scalar control function, ordered and multinomial sorting generally produce multi-index control functions whose dimension determines the continuous covariate variation needed for identification. I establish matched non-identification and point-identification results for both architectures, showing how nonlinearity in the selection structure can substitute for excluded variables. I also show how additional structural restrictions reduce the control-function dimension and make estimation practical. I propose root-n-consistent two-step sieve plug-in estimators and apply the framework to gender wage gaps among Korean college graduates. Accounting for sorting reshapes the entry-level gap along the firm-size margin, where the corrected female coefficient turns positive for large-firm employment.