A Framework for Using Value-Added in Regressions
在回归中使用增值指标的分析框架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：摘要重点是生成变量回归的标准误与广义矩估计，未明确涉及给定分类中的因果识别、面板或其他专门模型。
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
在回归中使用增值指标的分析框架
- 研究问题
- 当估计的增值指标作为回归解释变量或因变量时，如何处理多步骤估计带来的不确定性，并获得适当的标准误？
- 方法与思路
- 作者将增值模型的假设转化为广义矩估计框架，构造两类回归的标准误修正，并提出增值指标作为解释变量时的估计方法。
- 材料陈述的贡献
- 摘要称，框架解释了常规最小二乘标准误失准的来源，并提出更有效率的估计量；北卡罗来纳州应用中修正幅度超过聚类调整。
- 阅读关注点
- 应核对增值模型假设如何生成矩条件、估计误差如何传递，以及标准误修正与聚类调整的关系和效率比较成立的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未给出具体假设、修正公式及数值，应用结论不宜普遍化。
原文摘要
As increasingly popular metrics of worker and institutional quality, estimated value-added (VA) measures are now widely used as dependent or explanatory variables in regressions. For example, VA is used as an explanatory variable when examining the relationship between teacher VA and students' long-run outcomes. Due to the multi-step nature of VA estimation, the standard errors (SEs) researchers routinely use when including VA measures in OLS regressions are incorrect. In this paper, I show that the assumptions underpinning VA models naturally lead to a generalized method of moments (GMM) framework. Using this insight, I construct correct SEs' for regressions that use VA as an explanatory variable and for regressions where VA is the outcome. In addition, I identify the causes of incorrect SEs when using OLS, discuss the need to adjust SEs under different sets of assumptions, and propose a more efficient estimator for using VA as an explanatory variable. Finally, I illustrate my results using data from North Carolina, and show that correcting SEs results in an increase that is larger than the impact of clustering SEs.