Locally robust semiparametric estimation of sample selection models without exclusion restrictions
无排除限制的样本选择模型局部稳健半参数估计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：摘要研究通用半参数样本选择识别与估计，未明确给出因果目标或结构性经济行为模型，所列细分依据不足。
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
无排除限制的样本选择模型局部稳健半参数估计
- 研究问题
- 缺少只影响样本选择而不影响结局的可信排除变量时，如何识别半参数样本选择模型，并控制第一步估计误差？
- 方法与思路
- 作者利用选择方程非线性与结局方程线性的差异识别参数，以生成回归量进行部分线性回归，并构造交叉拟合正交矩。
- 材料陈述的贡献
- 摘要称建立无排除限制的识别结果，证明局部稳健估计量的根号样本量一致性与渐近正态性，并给出模拟和工资应用。
- 阅读关注点
- 应核对函数形式差异提供识别的具体条件、生成回归量与影响函数的推导，以及机器学习第一步所需收敛速度。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；无排除限制仍依赖函数形式，摘要未列出全部识别与正则条件。
原文摘要
Existing identification and estimation methods for semiparametric sample selection models rely heavily on exclusion restrictions. However, it is difficult in practice to find a credible excluded variable that has a correlation with selection but no correlation with the outcome. In this paper, we establish a new identification result for a semiparametric sample selection model without the exclusion restriction. The key identifying assumptions are nonlinearity on the selection equation and linearity on the outcome equation. The difference in the functional form plays the role of an excluded variable and provides identification power. According to the identification result, we propose to estimate the model by a partially linear regression with a nonparametrically generated regressor. To accommodate modern machine learning methods in generating the regressor, we construct an orthogonalized moment by adding the first-step influence function and develop a locally robust estimator by solving the cross-fitted orthogonalized moment condition. We prove root-n-consistency and asymptotic normality of the proposed estimator under mild regularity conditions. A Monte Carlo simulation shows the satisfactory performance of the estimator in finite samples, and an application to wage regression illustrates its usefulness in the absence of exclusion restrictions.